交通堵塞是全世界尤其是大中城市面临的严峻问题。交通路径诱导系统是预防交通堵塞的重要手段，而实现交通路径诱导系统的关键问题是实时准确的交通状态预测。交通状态预测由交通流预测和基于交通流的交通状态识别两部分构成，其中前者是后者的研究基础，也是本文研究的关键点。 现有的交通流预测模型存在的不足有：1)未充分考虑交通系统时空过程的特点，较少考虑路段间的相互影响，由于模型描述能力所限，选取的历史数据时间窗口也较短，这大大影响了预测的准确性；2)未考虑交通环境的变化，模型无法在线更新，一旦生成就持续使用；3)很少考虑交通系统的实时性需求，模型为离线批量训练而成，时间代价很大。 针对以上三个问题，本文提出基于过程神经网络的交通流预测模型，并在此基础上建立基于隐马尔可夫模型的交通状态识别模型。本文的研究内容和成果主要包括以下几点： 1．提出基于过程神经网络(PNN)的交通流预测模型研究点包括：模型建构--构建基于PNN的交通流预测模型的拓扑结构，选取选取能刻画交通流时间特点的小波基函数为权函数展开基；模型在线学习--提出用能够提取交通流空间特点的主成分分析方法优化PNN网络结构，提出基于小波增量计算和及时学习机制的实时高效在线学习算法；模型自适应更新--提出基于数据特征主动监控和模型误差实时监控的模型自适应更新机制。 2．提出基于隐马尔科夫模型(HMM)的交通状态识别方法提出利用HMM状态模拟不同级别的交通状态，以交通状态的数据分布特性假定HMM状态的数据分布函数；利用交通状态连续变化特性，构建HMM状态转移图；提出针对任意交通状态数的HMM交通状态识别模型的学习方法。 3．设计和实现交通状态预测原型系统设计和实现具有多步预测能力的交通状态预测原型系统，主要模块为数据预处理模块，交通流预测模块，交通状态识别模块，管理者控制模块和用户界面模块。本文最后利用加州高速公路性能检测系统(PeMS)中提供的真实线圈检测数据进行预测模型对比实验，可以看到基于PNN的交通流预测模型具有很高的准确性和优异的性能，可以满足交通实时预报。