高速公路的建设与发展,给人们的生活出行带来了方便和快捷,同时它所引发的安全问题也引起了人们的重视。高速公路上发生交通拥挤、交通事故等各类交通事件,不仅降低了高速公路的运输效率和运营效益,还给人们的生命和财产安全带来严重的损失。如何快速检测并及时处理交通事件,有效降低交通事件的危害成了人们高度关注的问题。交通事件检测技术的核心就是检测算法,检测算法的好坏直接影响事件的检测效率。因此,对检测算法研究有着十分重要的意义。大多数交通事件检测算法都是通过分析交通流数据找到交通事件和交通流参数的对应关系。因此,本文首先分析交通事件和交通流参数的特性；接着学习研究BP(Back Propagation)神经网络和其学习算法,仿真分析各种优化BP学习算法后选择LM(Levenberg Marquard)算法作为本文的BP神经网络学习算法,并给出N·W(N guyen-Widrow)离散度选取法优化LMBP[4260]神经网络初始权值。在此基础上,设计基于优化后的LMBP神经网络的交通事件检测算法,算法建模过程中就LMBP神经网络结构和参数设置进行详细的设计,然后利用构建好的算法模型检测交通事件。最后,根据弱分类器差异越大集成效果越好的原则,利用交通流参数的不同组合形式构成不同网络结构的LMBP弱分类器,用AdaBoost方法集成得到LMBP模型集成系统,并建模检测交通事件。本文采用I-880交通流数据,运用MATLAB7.10工具进行仿真,通过仿真结果分析得知,利用N-W离散度选取法优化网络初始权值提高了LMBP神经网络的收敛速度,缩短了LMBP模型检测交通事件的时间,结合AdaBoost方法又进一步提高了检测精度,获得了良好的综合检测性能。