城市化进程给世界许多大城市带来了严重的交通问题。智能交通系统是解决城市交通问题的有效途径，交通控制与诱导是智能交通系统的重要组成部分，而实时准确的交通流预测是交通控制与诱导系统发挥作用的前提及关键。人们开发了多种交通流短时预测模型，但它们都是建立在传统交通流理论基础之上，而传统交通流理论描述的是二维平面基础上的连续交通流三参数关系。所以上述模型无法反映实际交通流数据出现的不连续的突变现象，从而无法在突变点改变预测策略，而实证数据表明交通流在突变点的变化是明显的，这在很大程度上降低了预测模型的实用效果。本文受Kerner的“三相交通流理论”的启发，研究了基于交通状态划分的交通流短时预测方法。首先应用小波分析对北京市二环路检测器检测到的实际数据进行状态划分，确定自由流、同步流和宽移动堵塞三种状态的流量、速度、密度阈值。然后分别构建单一的神经网络预测模型和卡尔曼滤波预测模型，并用北京二环路数据进行实证分析。本文的重点和创新点是基于状态划分的预测方法的设计，该方法在预测的同时根据确定的密度阈值动态判断交通流是否发生了状态突变，从而决定下一步的预测策略。其中，自由流状态应用卡尔曼滤波模型，同步流和宽移动堵塞状态应用神经网络模型。经实证分析，基于状态划分的方法比单一的神经网络模型和卡尔曼滤波模型有更高的预测精度。