旅行时间预测是智能交通系统(ITS)研究的核心问题之一。实时准确的旅行时间预测可以为先进的出行者信息系统(ATIS)和先进的交通管理系统(ATMS)实现路径诱导提供有效信息，从而减少交通拥挤。城市快速路是城市交通系统的大动脉，快速路的旅行时间预测具有十分重要的意义。现有的旅行时间预测算法通常是直接对旅行时间进行预测，算法的参数往往都需要大量的实测旅行时间数据来进行辨识。若缺乏大量的旅行时间数据作为支持，则算法的效果不是十分理想。因此，在对小波变换理论、BP神经网络和数据融合理论分析的基础上，针对已大量安装固定检测器的快速路，本文提出了一种以小波变换消噪预处理为基础、BP神经网络和数据融合相结合的、间接的快速路旅行时间预测算法。在数据预处理中引入小波变换对交通流数据进行消噪处理，以提高数据的准确度。BP神经网络利用交通流速度的历史数据进行网络训练，并实现对未来速度的预测。通过数据融合技术将路段中的具有空间差异性的多个检测器速度融合为的路段平均速度，并提出两种方法将路段平均速度转换为路段旅行时间。本文选取北京市北三环安装有微波检测器的路段作为实验路段，并利用视频识别技术采集路段的旅行时间数据对算法进行验证。验证结果表明，算法的预测误差在10％左右。在算法研究的基础上，利用VC++、SQL Server、MapX等开发了快速路旅行时间预测应用软件。