交通监控摄像头等感知终端所采集的交通数据对于交通安全风险辨识、车辆冲突风险特征分析以及交通状态动态演化分析等方面提供了至关重要的信息支撑。然而交通视频的数据规模庞大,并呈现出数据价值密度低、数据量高速增长等“大数据”特性。依赖人工分析的传统交通监控手段已不满足交通监控场景实时感知的应用需求。近年来,随着深度学习与计算机视觉的快速发展,在少量人工干预乃至全自动环境下,智能分析交通视频数据以实现交通通行状态精细化感知是提升交通管控水平的关键,也已成为智能交通领域中一研究热点。基于交通视频流智能感知多目标车辆行驶轨迹、车辆类型和车速等交通参数信息,再利用感知信息预测未来通行状态的多重任务,受到了目标外观尺寸形变、各任务间计算模块孤立、人工建模校准等因素的共同影响,对交通视频的智能感知提出了准确性、实时性和便捷性的挑战。针对上述问题,本文提出了一种链式一体化多目标中心点跟踪算法;在此算法基础上面向交通智能监控领域需求,嵌入交通多要素信息提取任务,构建了面向多类别车辆实时跟踪与车速估计联合任务的端到端网络;最后基于交通感知数据,提出了一种多周期组件时空神经网络预测中长期路网通行速度,主要研究内容如下:（1）在多目标轨迹跟踪方面,联合目标检测和数据关联任务,提出链式一体化多目标中心点跟踪算法来提取轨迹信息。首先,将相邻两帧作为输入,并引入特征图复用策略,避免冗余计算又供模型学习跨帧时空信息。其次,为应对外观尺寸变化,基于Center Net网络嵌入高效通道注意力检测目标中心点,提升模型泛化性能。然后,利用3D卷积模块学习特征图中目标跨帧运动信息,同时复用检测分支的热图作为空间注意力突出目标所在区域进而预测中心点偏移值,关联同一目标并生成关联节点。相邻两个关联节点间通过计算同一帧内目标边框的交并比完成节点间关联,从而构链并串联起整个视频序列。最后,在三个多目标跟踪数据集上,所提出算法分别以36.8,33.8,和33.6 Hz推理速度达到了52.3,61.2,和59.6 MOTA的跟踪性能。（2）在交通参数感知方面,为整合多任务间计算资源,基于所提出多目标跟踪算法,构建面向多类别车辆实时跟踪与车速估计联合任务的链式一体化中心点网络。具体而言,利用检测分支中热图的通道维对车型分类,并共享数据关联分支网络结构来学习跨帧时空信息,自适应估计车辆速度。在UA-DETRAC数据集上,所提出算法以32.5 Hz推理速度取得了55.5 MOTA跟踪性能,0.76 F1值车型分类精度和3.10 MAE车速回归精度。（3）在路网通行速度预测方面,提出了一种多周期组件时空神经网络模型。首先,根据交通数据周期特性,将其规约为周、日和近期三种不同粒度的时间-空间-特征三维矩阵,并输入至三个共享网络结构的周期组件中。其次,在每部分组件中,利用多尺度卷积核捕获多因素非线性相关性与不同空间视野大小的路网节点空间相关性。然后,对每个节点的时序特征使用门控循环单元提取长时依赖关系。最后,自适应加权融合预测未来时段内路网通行速度。基于两个交通数据集开展实验分析,结果表明所提方法预测中长时多步稳定性与准确性优于基准模型。