随着中国经济的不断发展，我国汽车保有量持续增长，导致当前道路交通拥堵问题日益突出。干道作为城市交通系统的主动脉，是治理城市交通拥堵的首要关注点。城市干道覆盖范围广、影响范围大，常规的感应线圈、视频监控设备等不利于从整体上观测干道交通状态变化，近年来，高空视频(包括无人机视频，高点监控视频，鹰眼视频等)的逐步普及为干道交通研究提供了新的视角。
　　目前视频目标检测与跟踪等领域成果十分丰硕，但高空视频交通状态识别方面的针对性研究相对较少，所用方法也主要基于传统的图像特征检测。随着人工智能的快速发展，深度学习理论与方法给许多领域提供了一种新的解决方案。因此，将深度学习理论方法引入到高空交通视频领域、研究和解决交通问题，成为了当前交通视频监测研究的热门趋势。
　　综上所述，本文尝试利用深度学习方法中的自编码器模型、三维卷积神经网络模型以及深度神经网络模型，来解决基于高空视频的城市干道交通状态识别及预测问题，为干道交通状态监测与管控提供新的技术支持，也为缓解交通拥堵问题提供新的视角和方法。本文的主要研究内容如下：
　　(1)针对目前主流的深度学习方法理论进行分类总结，并分析这些算法中比较经典的神经网络模型，为本文深度学习模型构建奠定理论基础。
　　(2)针对图像交通状态识别，本文从输入数据维度、隐藏层数量、降维数据维度三个方面优化模型结构参数，加强自编码器对图像特征的提取，实现海量图像特征的高效压缩。最后，基于降维数据结合k-means聚类算法对交通状态进行有效识别。
　　(3)针对视频交通状态识别，本文将目前常用于行为识别领域的三维卷积神经网络模型C3D引入到视频交通状态识别研究中，把交通状态视为特殊的行为动作进行视频识别。为此，构建视频交通状态识别数据集，基于三维卷积神经网络C3D展开模型优化，包括调整卷积层结构、优化平面卷积尺寸和优化视频卷积核深度。最后，对最优模型3DCNN*进行训练测试和验证分析。
　　(4)针对视频交通预测，本文提出了基于3DCNN与DNN的交通状态预测方法，将有限的交通状态预测问题转化为分类问题，实现短时视频交通状态预测。
　　通过对上述内容展开研究后，本文得出了以下结论：
　　(1)图像交通状态识别方面，本文基于自编器与k-means结合构建的AEK模型不仅具有较好的图像交通状态识别能力，而且能够减少模型参数、节约人工成本，大幅提升模型检测效率。
　　(2)视频交通状态识别方面，本文构建的高空视频交通状态识别模型3DCNN*，优于常见的3DCNN模型和二维卷积网络模型。说明本文构建的交通状态识别模型在二维卷积和三维卷积方面性能表现均较好，具有较高的泛化能力。
　　(3)视频交通预测方面，本文基于三维卷积神经网络-深度神经网络(3DCNN-DNN)构建的交通状态预测模型，可以准确预测视频交通状态，对于短时数据的交通状态预测提供了新的方法。