近年来，高速公路的快速发展虽然带来了显著的经济效益，但使得交通状况日益恶化，导致了交通安全事故、交通拥堵、环境污染等一系列严重的社会问题，造成了大量的人员伤亡和财产损失。智能交通系统（Intelligent transportation system, ITS）作为一种新型的交通运输系统，对保障高速公路正常运行状态、改善交通事故引起的拥挤、堵塞等情况以及对事故的及时处理、环境保护等方面都具有较好的效果。交通流辨识系统作为ITS的一个重要子系统，它的主要作用是通过分析当前交通流状况，根据得到的检测结果采取相应的交通管理措施或交通诱导措施，及时处理高速公路上发生的事件，尽量减少二次事故带来的人员伤亡及财产损失。本论文主要研究的是交通流辨识系统中的交通事件检测方法以及事件持续时间预测方法。本文在交通事件检测部分首先对I-880数据库中的线圈数据集进行分析整理，提取出用于交通事件检测的交通流三参数，并对该三参数进行深入分析，通过交通流特征变化规律分析交通事件产生的影响；然后结合模糊C均值聚类算法和减法聚类算法二者优势，利用改进的模糊聚类算法对交通事件检测数据进行聚类验证；在对数据聚类后，利用自适应模糊神经推理系统对交通事件进行检测，并进行仿真验证，之后与神经网络和支持向量机两种算法的检测效果进行比较判断；仿真结果表明本文所采用的交通事件检测模型是有效的,并且总体性能优于对比的事件检测方法。本文在事件持续时间预测部分首先对原始交通事件数据进行分析整理，获取与持续时间相关的因素，然后对整理好的数据进行正态性分布研究，选取合适参数进行显著性分析，并以显著性影响程度作为标准选出与持续时间相关度较大的属性作为最终输入数据变量；本文提出利用自适应模糊神经推理系统对轻微事件、一般事件和严重事件进行预测，并对研究结果进行了仿真检验；仿真结果表明基于自适应模糊神经推理系统对持续时间预测的可行性及有效性。