近年来,城市道路交通压力不断膨胀、网路交通需求急剧增长,使得城市道路拥堵也日益加剧,时有伴随局部交通瘫痪等问题。交通拥堵不仅给出行者造成时间延误和经济损失,还给整个社会造成了潜在的交通风险、能源损失、以及环境污染,严重影响了城市和城市交通的发展。智能交通系统的出现为缓解或解决这一城市痼疾提供了新方法和思路。而作为其重要构成部分之一,城市路段旅行时间预测,是交通规划、交通运营与管理、交通态势监控、交通诱导、交通事件处置和出行信息服务等一系列举措的核心基础问题之一。该论文通过查阅国内外相关文献和研究成果,总结现有方法的优缺点,从交通系统的特点出发,对城市路段旅行时间预测方法展开研究,为交通管理者和驾驶员提供数据支撑和决策依据。首先,分析了当前交通信息采集技术原理及优缺点,研究了使用卡口系统数据的原因,介绍了其采集的数据特点。以此数据为基础,分析了错误数据和缺失数据出现的原因,提出了相应的处理和修复方法,进而得出了旅行时间估计值。然后,以济南市经十路采集的真实数据为例,研究了旅行时间工作日和非工作日同时段具有较大差异、全天具有显著早晚高峰、以及工作日同时段具有相似性及波动性等特征,基于该类特性,对原有模糊神经网络进行了改进,构筑了稳定性和容错性更强的补偿模糊神经网络预测模型。利用济南市卡口系统实际采集的数据,对比分析了各种预测模型,结果证明：在1.7km的城市路段中,补偿模糊神经预测模型平均预测误差均小于0.4min,相对预测误差小于30%的概率均超过了97%,在准确性和可靠性方面,均优于BP神经网络和卡尔曼滤波算法。最后,设计了旅行时间预测系统原型。整个原型系统包括数据采集与存储层、数据处理层、功能管理层和用户交互层,并给出了实现流程和各层功能模块。