公路作为最基础、最广泛的交通基础设施,在综合交通运输体系中具有不可替代的作用。2021年2月24日发布的《国家综合立体交通网规划纲要》中指出在新阶段新要求下,需持续推进国家公路网往高质量方向发展。高速公路作为公路网中的重要一环,截至2020年底,总里程达到了16.10万公里。伴随着高速公路的迅猛发展,交通事故发生的概率也随之增加,高速公路的运营管理难度也在提升。因此,及时准确地进行交通事件检测能最大程度地减少交通事件带来的影响,避免二次事故的发生,同时也可以为交管部门提供安全管理技术支持,提升道路安全和服务水平。交通事件自动检测是智能交通系统（ITS）的重要组成部分,是经典的0-1分类问题,可以将交通状态分为正常状态和事件状态两种。在现实生活中,交通事件的发生是具有偶发性的,交通事件状态比正常交通运行状态少很多,所采集的交通数据是不平衡的,因此交通事件检测实质上是个不平衡的二分类问题。基于此,本文将运用不平衡分类技术解决交通数据集不平衡问题,在此基础上构建比较全面的交通事件检测初始变量集,进而筛选出对事件检测更为敏感的特征变量作为检测算法的输入变量,并以深度学习中的长短期记忆网络（LSTM）作为分类器,提出了基于混合采样和特征变量选择的贝叶斯优化长短期记忆网络（BOA-LSTM）交通事件检测算法。首先,为了解决交通数据集的不平衡问题,提出了基于Borderline-SMOTE过采样和Tomek links欠采样相结合的混合采样技术,从而使得数据集达到平衡。其次,以车流波动理论为基础,分析了在事件状态下事件发生点上下游路段的交通流变化特性。以此为依据,对交通流基本参数进行多角度、多形式地组合,构建了一个含有15个变量的初始变量集,并利用随机森林-交叉验证递归特征消除（RF-RFECV）算法筛选出更为灵敏的特征变量作为后面模型的输入。再次,介绍了长短期记忆网络的原理结构,将其应用到交通事件检测中,并使用贝叶斯优化算法对其进行超参数优化,使LSTM具有更好的分类效果,提高算法性能。最后,应用VISSIM仿真软件模拟高速公路发生交通事件的场景,获取交通流原始数据,对本文所提出的算法进行训练和性能检测。实验结果表明,本文提出的基于混合采样和特征变量选择的BOA-LSTM的交通事件检测算法几乎在所有评价指标上都具有优势,事件检测效率更高,算法取得了较优异的综合性能。