随着城市的不断发展，城市交通的矛盾主要表现为城市交通供给不能满足日益增长的交通需求，城市道路的交通拥堵问题越来越严重，逐渐成为制约城市和谐发展的一个全球性社会问题，缓解城市道路交通拥堵的工作显得越来越重要。城市干道是城市交通的动脉，对城市干道交通拥堵状况进行及时、准确的预测和识别，有针对性地对拥堵点采取交通控制和诱导等措施，可缓解干道交通瓶颈的拥堵程度，减少交通拥堵带来的负面效应。因此对城市干道交通拥堵预警建立科学有效的方法具有重要的实用价值。本文利用交通流模型对城市干道交通拥堵在形成、持续、消散过程中流量、速度和密度之间的变化特性和时空特性进行了分析，提出交通拥堵预警是通过预测未来时刻干道某一截面的交通流状态参数，识别出该截面未来时刻的交通拥堵状况，预先采取有针对性的缓堵策略。在分析了交通流状态参数的基础上，对比分析了几种主要的交通信息数据采集技术，并对预处理交通信息数据的方法进行了探讨。城市干道交通状态与相邻截面的交通状态密切相关，本文提出了基于多点状态参数的交通拥堵预警方法，建立预测的关键截面与相关的多个检测截面的交通状态相关模型，通过现状和历史交通流状态参数数据序列预测下一时段关键截面的交通流状态。采用ARIMA时间序列预测模型和遗传算法改进优化后的BP神经网络预测方法，建立了交通状态参数预测的线性组合模型，提出了基于最小误差平方和、等权和熵值法求解组合模型的权重值，并通过算例验证了基于最小误差平方和求权重的预测方法的预测效果最优。最后，以平均速度、饱和度和平均延误作为城市干道交通拥堵的评价指标，将交通拥堵划分为畅通、轻微拥堵、拥堵和严重拥堵四个等级。提出对交通状态参数的预测结果采用改进的模糊综合评价方法，实现对交通拥堵程度的识别，并发出交通拥堵预警信息，从而达到对城市干道交通拥堵的预警。论文提出的交通拥堵预警方法能够及时有效的预警交通拥堵的发生，可用于智能交通系统中的交通状态预警和交通诱导。