短时交通流预测对城市交通流控制与诱导系统的发展具有着重要的意义，预测结果的好坏将直接影响到城市交通流控制与诱导的效果。因此，短时交通流预测对智能交通系统来说至关重要。本文以提高短时交通流预测为研究目的，构建了基于马尔科夫理论的短时交通流预测模型，在此基础上，针对短时交通流的非线性非平稳特性，本文分别提出了马尔科夫-BP神经网络模型和小波-马尔科夫-BP神经网络模型。论文的主要内容如下：（1）鉴于感应线圈检测器获得的数据存在错误、冗余等质量问题，本文通过孤立点挖掘技术检测出异常数据，利用“相邻时间段数据求平均”的方法对数据进行修复，解决了数据的质量问题，并利用改进的小波去噪方法对交通流数据进行了降噪处理，降噪处理之后的交通流数据更能反映出交通流的真实特性。（2）考虑到短时交通流量的非线性特性，本文提出了基于马尔科夫-BP神经网络理论的短时交通流组合预测模型，利用BP网络强大的非线性映射能力和误差修正思想，滚动预测未来的交通数据信息。相比单纯的马尔科夫模型，马尔科夫-BP神经网络模型的预测效果更好。（3）由于短时交通流时间序列具有非平稳特征，本文引入了小波分析方法，建立了小波-马尔科夫-BP神经网络的组合模型。该模型利用了小波分析方法对交通流时间序列进行了多分辨率分析，经过分解之后的交通流时间序列能够体现出更多的细节信息，更加适用于具有非平稳特性和非线性特性的短时交通流预测。实验结果表明这三种模型均能取得较好的预测结果，相比较而言，基于小波-马尔科夫-BP神经网络的组合模型预测效果最佳。