随着我国社会经济的不断发展，机动车保有量的不断增加，城市路网中的交通拥堵问题日益突出。如何识别路网交通状态，合理地进行城市交通管控，是目前交通领域研究的热点之一。然而，路网交通状态识别的效果受到交通数据质量和识别方法精度的制约。因此，研究提高交通数据质量和交通状态识别效率的方法具有重要意义。本文主要工作内容如下：
　　首先，在分析交通数据获取方法特点的基础上，采用微波检测器数据和互联网平台数据作为交通数据的来源。在深入挖掘交通数据内在规律的基础上，提出了一种交通异常数据识别方法，根据不同的交通异常数据类型和数量，建立了相应的交通缺失数据修复方法。
　　其次，从基本特征、优劣势、应用层次、适用范围等方面对多种交通数据融合方法进行对比分析，得出BP神经网络法较好。针对BP神经网络法在学习过程中收敛速度较慢且易陷入局部极小值的缺点，提出了一种基于改进BP神经网络的交通数据融合方法，通过增加动量项法和自适应学习速度法来优化BP神经网络法，以最小误差平方和（LSE值）作为评估指标，对其融合效果进行评估。
　　然后，采用百分位法计算自由流速，将平均行程速度与自由流速的比值作为流动性指数，根据交通参数的特征和使用比例等因素，筛选出流动性指数作为划分和识别交通状态的指标。以路网一天的流动性指数来构建路网交通状态矩阵，根据NMF算法（非负矩阵算法）对路网交通状态矩阵进行分解，将路网交通状态的时间信息和空间信息进行分离。利用优化粒子群算法对K-means算法进行改进，提出了一种改进的K-means算法，用于对分解后的子矩阵进行聚类分析，识别路网交通状态，分析其时间模式和空间模式。
　　最后，以重庆市主城区部分路网为研究对象，对路网交通状态进行识别，并对其时间模式和空间模式进行分析。以运行时间、紧密度和轮廓系数为评价指标，对不同算法的聚类结果进行评价，结果证明了本文所提出的改进K-means算法能够取得更好的聚类效果。