高速公路事件的发生是不可预测的,为快速准确的感知公路是否有事件发生,事件发生的地点及险害程度等,以便及时救助,减少损失,排除事件对公路通行能力的影响,高速公路事件检测算法的研究已成为智能交通系统领域的研究热点,它对提高高速公路的交通管理效率、改善交通管理效果具有重要的意义。从高速公路交通流的特点出发,根据事件检测的基本原理,在分析经典高速公路事件检测算法优缺点的基础上,对基于支持向量机(Support Vector Machine,SVM)的高速公路事件检测算法进行研究。在介绍支持向量机基本原理的同时,重点讨论最优分类面、线性可分SVM、线性不可分SVM、非线性可分SVM以及分类常用的核函数。给出基于SVM的事件检测算法的工作步骤,设计算法的输入向量。并采用加州I-880数据库,设计4个实验,在每个实验中分别设计了基于线性不可分SVM、高斯径向基核函数、双曲线正切核函数的事件检测算法,验证了算法的有效性和可移植性。不同的SVM模型、不同的核函数及其参数都影响着算法的性能指标,本文利用林智仁副教授的Libsvm工具箱参数优化模块对各算法的惩罚参数C和核参数进行优化选择。求得每个模型和核函数的最优参数后,对上述4个实验进行仿真,并与California算法进行对比,结果表明:针对不同的实验,选择合适的SVM模型和核函数,可获得比California算法更好的性能指标。该算法对于提高高速公路事件检测算法的性能指标具有参考意义。