随着社会经济的发展,智能交通系统得以蓬勃发展。智能交通系统主要是为了实现在大范围内,对交通运输进行全方位、实时、准确、高效的诱导和控制。它是被公认的能全面有效地解决交通运输、交通拥挤、交通事故和交通污染等问题的有效途径。准确可靠的交通流预测信息是城市交通控制系统的基础和关键；路径选择又是城市交通诱导系统的核心技术。本文在查阅文献和前人研究的基础上,对智能交通领域中的短时交通流预测和路径选择这两个关键问题做了深入的分析和研究。本文的主要工作如下：(1)简单介绍了智能交通系统的产生背景和研究内容,分析了交通流的基本特性,给出了描述交通流特性的基本参数,阐述了研究短时交通流预测和路径选择技术的重要意义。(2)在分析了几种常用的短时交通流预测方法的基础上,提出了一种基于改进K近邻非参数回归和模糊神经网络的短时交通流加权组合预测模型,该组合模型结合了改进K近邻非参数回归方法较强的预测能力和模糊神经网络较强的学习与非线性映射能力,根据上一时段的预测误差,确定组合预测模型的权值,并加权组合输出最终的预测结果。根据实际的交通流数据进行预测,仿真结果表明,该加权组合模型能提高预测精度,可用于短时交通流的实时预测。(3)针对交通路网的路径诱导系统,综合考虑了路段和交叉口各个转向的随机性、时间依赖性,改进了自适应路径选择算法,并通过算例分析验证了该算法的有效性。