基本交通参数是交通状态估计研究的基础,特征交通参数则是刻画特定交通场景下交通状态的关键指标。过去对交通状态的研究大多使用基本交通参数,缺乏对偶发性拥堵等特定场景下研究的针对性,难以全面且有效地表征该场景下的拥堵程度、通行能力等交通状态。针对特定场景选取或设计出相应的特征交通参数丰富了交通状态表征手段,弥补了不同场景下交通状态估计研究的不足。因此,利用异常事件下的交通特征参数建立的交通状态估计方法对改善高速公路服务质量、缓解交通拥堵有着重要价值。论文以特征交通参数的选取、设计为切入点,针对偶发性事件与常发性事件的差异性,设计拥堵类型判别算法。根据偶发性拥堵下各交通因素对事发点通行能力的影响情况,建立瓶颈处通行能力估计模型,结合交通事件影响的扩散行为,为建立事发时间与事发位置估计模型奠定理论基础和数据支撑。主要工作如下:（1）基于层次聚类设计拥堵判断及常发性拥堵与偶发性拥堵判别算法。针对现有拥堵判别算法对不同路段的适用性较差,聚类维度过高导致算法效率降低问题,本文基于突变理论与空间关联状态,针对不同拥堵类型的差异性设计了合适的特征参数。根据自顶而下的分层聚类流程,结合FCM算法,设计了拥堵判断及常发性拥堵与偶发性拥堵判别算法。通过与Mc Master算法的对比试验,验证了算法的有效性。（2）基于神经网络的通行能力估计算法。针对现有文献中通行能力估计算法适用性较差、无法捕捉事件初期的通行能力变化情况、未考虑各交通因素间的内在关联问题,本文通过分析交通因素对通行能力的影响程度,选取特征交通参数对通行能力进行表征。通过搭建BP神经网络模型,建立各交通因素与通行能力的映射关系。实验结果表明本文算法相较于折减系数算法、KNN算法、SVM算法有着更好的效果。（3）事发时间与事发位置估计模型。现有检测算法检测到的拥堵时间及拥堵位置与事发时间与事发位置存在一定的空间、时间误差。依此,本文以（1）（2）点为基础,考虑异常事件影响的扩散行为,建立事发时间与事发位置估计模型,实验结果表明本算法有较高的估计精度。