通过道路上的固定检测器(如线圈、微波、视频检测器等)获得准确实时的路段交通状态，一直以来都是高速公路交通管理工作的重点所在。论文从实际应用角度出发，针对基于单截面检测数据的高速公路交通状态判别方法进行研究。　　 论文首先回顾分析了国内外交通状态判别技术方面的研究成果，针对目前基于单截面检测数据的高速公路交通状态判别算法存在判断阈值多、对拥挤样本依赖性强等特点，提出了基于交通流预测的交通状态判别方法，并设计了一个由交通数据预处理、预测目标参数选择、基于神经网络的交通参数预测以及交通状态判别等步骤组成的判别流程：　　 通过对拥挤和顺畅状态下，交通量、时间占有率、平均速度等参数的变化特点进行分析对比，选用能更有效反映交通状态变化的车辆平均占用时间作为预测的目标参数。以神经网络作为预测模型，着重研究了通过计算输出变量与可能输入变量之间的相关系数来确定神经网络输入层的方法。在预测的基础上，以实测值与预测值之间的差值作为判别的依据，判别道路的交通状态。然后基于上述研究，利用面向对象的软件设计方法设计并开发了一个交通状态判别系统。最后选择广深高速作为实验路网，以不同交通状态下的实测交通流数据，对判别方法的有效性进行检验。实验结果表明，相对于占有率，以车辆平均占用时间作为预测目标参数其预测精度更高，更适合本文所提出的交通状态判别方法；相对于经典的McMaster检测算法，本文所提出算法不仅对拥挤样本依赖较少，而且在拥挤判别率和拥挤判别时间上都有了较大改善。