随着我国高速公路的建设和发展,高速公路安全逐渐引起人们的重视,而高速公路交通事件检测技术的完善与成熟对高速公路安全起着关键性作用。当高速公路出现紧急事件时,交通事件检测技术能够及时发现从而避免造成重大人员伤亡和经济损失,减小二次事件的发生几率。本文根据运筹学排队论建立高速公路数据仿真平台。为了更加真实的反映某些路段车辆的运行情况,通过对仿真的每辆车进行时时跟踪并模拟交通事件发生,产生所需数据。本文对现有交通事件检测算法进行研究,并对其有效性进行对比分析,详细分析了评价交通事件检测算法有效性的方法。通过分析BP网络、RBF网络、GRNN(广义回归神经网络)的基本原理,充分发挥神经网络理论优势并将其应用到交通事件检测算法中,提出了基于BP网络、RBF网络、GRNN(广义回归神经网络)交通事件检测算法。通过高速公路数据仿真平台获得的交通状态参数数据,训练和检测基于神经网络的交通事件算法的有效性。通过对基于BP网络交通事件检测算法、基于RBF网络交通事件检测算法、基于GRNN(广义回归神经网络)交通事件检测算法的三种算法进行对比试验和分析,得出基于GRNN(广义回归神经网络)交通事件检测算法在逼近能力、分类能力和学习速度上,具有BP网络和RBF网络无法超越的优势。GRNN最后收敛于样本量集聚较多的优化回归面,当样本数据缺乏时,预测效果也比较好,并且还可以处理不稳定的数据。基于GRNN交通事件检测算法可获得较高交通事件的检测率和较低的误警率,而且评价指标的协调性也比其它二种算法好。同时,本文还在现有的交通状态参数中增加车辆分类交通量。对比两组交通状态参数进行试验和分析,结果表明在交通状态参数中增加车辆分类交通量,可以提高算法对交通事件的检测率并降低误警率。