路段行程时间是反映城市路网交通状况的重要指标。作为交通信息服务系统的重要基础信息,基于实时检测数据的路段行程时间估计成为智能交通系统领域研究的重点课题。固定检测器和浮动车作为目前最常用的两种城市交通信息检测方法,在路段行程时间估计方面受到了广泛的关注,然而两种数据源存在自身难以解决和避免的缺陷,对于实现交通信息在时间和空间上的全面检测存在一定的困难。数据融合则能够有效利用不同检测数据之间的互补和冗余,从而提高路段行程时间的估计精度,增强交通信息的质量,对交通信息服务系统的运行有着重要意义。本文首先明确了检测数据及数据融合的相关概念。其中重点介绍了浮动车和固定检测器的基本概念、检测数据特征以及该检测数据在路段行程时间估计中的应用情况。并在分析对比两种检测数据的优缺点基础上,介绍了数据融合技术在交通领域,特别是行程时间估计领域的应用。其次,根据路段行程时间的基本定义,利用自适应指数平滑方法、交通工程方法等,确定基于浮动车和固定检测器数据的路段行程时间估计算法,分别进行路段行程时间估计。然后,介绍贝叶斯融合估计的基本原理以及不同分布假设条件下贝叶斯融合公式的推导,并引入收敛条件和替代规则,实现贝叶斯融合的循环处理。最后,使用VISSIM微观仿真分别构建虚拟路网以及以大连市中心城区路网为基础的实际路网,在对检测器设置进行优化处理以及针对实际路网进行交通调查的基础上,利用循环贝叶斯融合估计模型对上述两个路网中的研究路段进行行程时间估计。研究结果表明,循环贝叶斯融合估计模型能够有效提高行程时间估计的精度,且在不同流量设置条件下,其精确度能够保持相对稳定。