日益严峻的交通拥堵问题严重影响了人们的日常出行,制约了城市的可持续发展,融合多种现代技术用于智能调度规划的智能交通系统应运而生,交通流量预测作为其关键技术之一,能够指导有关部门缓解交通拥堵,提升道路资源利用率。现有交通流量预测模型受限于路网结构建模不充分、数据相关性分析不全面、节点异构性处理不均衡等问题,预测效果差强人意,本文旨在研究准确可靠的交通流量预测模型,具有重要理论与现实意义。针对现有模型的局限性,本文提出基于静态拓扑图卷积的交通流量预测模型以全面分析交通流量序列间的空间相关性、非临近相似性、时间相关性、周期相关性。提出基于动态拓扑图卷积的交通流量预测模型以自适应地建模交通流量序列间的复杂相关性、节点异构性。本文主要工作与创新如下:（1）概述常见深度网络的模型结构、动态时间扭曲及奇异值分解的算法原理;分析公共数据集的数据特征,使用皮尔森相关系数检验交通流量数据的空间、时间相关性;论述评估模型预测性能的评价指标,为后文工作奠定理论基础。（2）针对路网结构建模不充分、数据相关性分析不全面问题,提出基于静态拓扑图卷积的交通流量预测模型。该模型利用动态时间扭曲算法计算包含节点非临近相似性的“时间图”,构建了新型静态拓扑图,能够更准确、全面地表示路网结构连接关系;提出了基于拼接、扩维、扩散卷积操作的周期处理层,显式地建模了交通流量数据的日相似性;优化了时空融合处理层,能够更好地同步处理交通流量中潜在的时空相关性;利用周期处理层、时空融合处理层,构建了时空周期融合图神经网络预测模型（STPFGNN）,能够全面地处理交通流量数据的时空、周期相关性。在公共数据集PEMS03、PEMS04、PEMS07、PEMS08上验证了模型性能,结果表明STPFGNN较目前精度最优的基准模型STFGNN在每个数据集的MAE、MAPE、RMSE上均有0.46%～7.83%不等的性能提升。（3）针对STPFGNN等模型囿于预定义图、无法平衡处理节点异构性的局限性,提出基于动态拓扑图卷积的交通流量预测模型。该模型设计了自适应动态拓扑图生成模块,嵌入矩阵由数据驱动的节点相似矩阵奇异值分解初始化,经过端到端学习自动推理流量序列间的相互依赖关系;使用自适应参数学习模块平衡处理了节点共享特征、异构特征;提出了无需预定义拓扑图的自适应动态拓扑图循环网络（ADTGRN）,通过将自适应动态拓扑图生成模块、自适应参数学习模块嵌入到门控循环神经网络,融合处理交通流量数据的复杂相关性、节点异构性。ADTGRN不受限于预定义静态拓扑图,模型应用范围更广泛,较同类型中精度最优的基准模型AGCRN,在四个公共数据集的MAE、MAPE、RMSE上均有0.44%～5.41%不等的性能提升,在缺乏预定义静态拓扑图的情况下ADTGRN全面优于STPFGNN。（4）利用Python语言,基于Py Qt库开发了交通流量预测分析原型系统,实现了数据挖掘、流量预测、结果分析等功能的可视化。本论文共有图57幅,表8个,参考文献87篇。