交通状态判别(TSE,Traffic State Estimation)对交通规划、运营管理和基础设施设计至关重要,随着信息技术的发展,各种定位来源(如手机,GPS浮动车等)的实时数据收集,推动了智能交通系统(ITS,Intelligent Transportation System)的进步,使交通状态判别达到了高效、及时和准确。交通状态判别旨在估计和判别道路交通中交通流变化的特征,本文在GPS浮动车数据进行预处理的基础上,以城市道路为研究对象,对交通状态动态判别的方法进行了研究。本文研究了一个基于贝叶斯网络的理论模型以及统计推导算法,能够模拟城市道路网中的复杂交通流变化特征,能够对交通状态进行动态判别。该模型将时间、空间离散化处理,利用分层贝叶斯网络模型来刻画时空交通状态,以图形的方式表示在二维坐标系中,直观的刻画交通流时空变化关系。通过宏观基本图方法和交通流参数内在相关性,指出关系式中的关键变量,以此为由引入路段排队模型,来描述路段与交叉点间交通流量的传播过程。使用期望最大化扩展卡尔曼滤波(EM-EKF)算法推导分层贝叶斯模型中的未知交通状态,期望最大化算法中的M步骤可有效推导出参数的取值,E步骤利用高斯线性下扩展卡尔曼滤波是最佳贝叶斯递归的精确解进行推导。最后,将提出的EM-EKF算法首先在VISSIM软件上进行仿真实验,其次在玉溪市红塔区研究区域内的道路上进行实例验证和结果分析。结果表明,在不考虑天气状况和交通事故发生的情况下,与检测到的实际交通状态相比,该方法对交通状态的判别取得了良好的效果。