交通流系统是一个有人参与的、时变的、开放的复杂巨系统,具有高度的非线性和不确定性,在一定的条件下会出现混沌现象。通过对交通流混沌研究现状的综述,可以看出研究交通流混沌有很深的理论和实用价值。本文对混沌判定方法的综述,了解了目前各种混沌识别方法的局限性,提出了一种新的研究交通流混沌的识别方法。本文提出的识别混沌状态的方法是利用Wigner-Ville分布的良好频聚性,将交通流时间序列中存在的混沌吸引子特性充分的展现出来,并结合勒贝格测度,对混沌状进行识别。避免了以往的混沌识别方法大多数依赖相空间重构、需要大量的实时数据等缺点。并且在实际应用中,此方法的运行速度与传统的识别方法有着明显的缩短了。通过试验结果说明了他可以很好的满足混沌特性识别的准确性要求。随后,本文采用了BP神经网络与混沌理论相结合的方法对交通流进行预测,并与传统的神经网络预测进行了比较,其结果为：采用混沌重构对于单变量神经网络的预测精度是有影响的,因为采用混沌重构的神经网络,其预测精度和效率有了明显的提高。最后,得出结论,本文所采用的混沌识别方法能有有效的识别交通流系统中的混沌特性,并且基于混沌神经网络的综合预测方法要比传统的神经网络预测方法更能适合交通流预测的精确性和实时性的要求。