基于机器视觉的交通流估计研究一直都是智能交通领域的研究热点，是解决城市交通问题的关键技术之一，具有重要的理论意义和应用价值。面向复杂城市交通环境的交通流估计面临诸多挑战:城市交通场景车辆多而密集，且存在遮挡和小尺寸目标，增加了目标特征提取处理难度;城市交通场景复杂，基于单个目标的时空关联过程复杂耗时且精度较低，难以有效实时地进行交通流估计;基于交通视频的方法仅可输出交通流参数数据，而针对可视化的交通流时空图进行交通流估计的方法，则存在时空图目标密集、尺寸不一和表观形变等难点，难以进行目标检测或分割。这些问题严重影响了交通流估计的准确度和实时性。本文针对这些难点，研究基于视觉时空信息的城市交通流估计方法，主要内容及创新点归纳如下:
　　1.针对密集交通场景中密集车辆、遮挡目标和小尺寸目标等导致检测和跟踪精度低的问题，提出了基于金字塔多尺度检测和受限跟踪的交通流估计方法，主要内容和创新点为:(1)提出了金字塔YOLO车辆检测算法，通过尺度变化机制构建了金字塔式的多尺度特征图，采用YOLO网络提取多尺度特征并检测车辆目标，提高了遮挡目标和小尺寸目标的检测精度。(2)提出了基于过线概率函数的受限跟踪方法，基于检测结果对每个车辆给出经过计数线的概率值，选择部分车辆采用多目标跟踪算法进行跟踪，降低了跟踪复杂度，同时提高了车辆计数精确度。(3)基于车辆检测和跟踪结果，提出了交通流参数估计模型，根据车辆检测结果进行交通流密度的估计，根据跟踪轨迹和基于轨迹的车辆计数，分别估计交通流速度和交通流体量，实现了对交通流三个主要参数的估计。
　　2.针对交通流估计仍严重依赖复杂跟踪方法进行时空信息关联，难以在较多目标的复杂交通场景取下得较好精度和速度的问题，本文提出了一种不依赖跟踪的基于时空计数特征和cLSTM网络的双向实时交通流估计方法。主要内容和创新点为:(1)针对整体交通流而不是单个车辆，构建表征双向交通流状态的时空计数特征STCF，实现了对整体交通流时空计数特征的有效提取。(2)提出计数长短时记忆网络cLSTM网络对STCF进行处理和识别，通过cLSTM网络对STCF中的时序信息的处理，实现了快速高精度的STCF识别，避免了使用复杂多目标跟踪方法对单个目标进行时空关联，使时空信息的处理过程快速精确且场景适应性更强。(3)构建了自适应阈值参数的累加器进一步处理cLSTM网络的输出，累加器通过自适应阈值对STCF进行二次识别，提高了STCF特征的识别精确度，并进行快速高精度的双向车辆计数，基于计数结果构建双向交通流估计模型。
　　3.基于交通视频的交通流估计方法仅输出交通流参数，而无法对交通流车辆的时空状态进行可视化表达和可视化交通流估计。针对可视化交通流估计问题，构建包含时空信息的可视化交通流——交通流时空图，提出了深度回归网络TM-Net，对时空图进行时空特征提取并估计时空密度图，得到车辆计数和可视化交通流估计结果。主要内容和创新点为:(1)提出了基于时空图生成过程的密度图自动生成算法，随交通流视频可视化生成时空图，自动生成时空密度图真值，解决了时空密度图数据样本获取问题。(2)提出了时空多尺度网络TM-Net，针对时空图中存在目标密集、大小不一和表观形变问题，构建多尺度模块和注意力模块，使TM-Net有效地进行时空密度图估计。(3)基于时空密度图估计结果，构建车辆计数方法和可视化交通流估计模型，实现了基于时空图的任意时间点的交通流体量估计。