近年来,机动车保有量和交通出行量的不断提升,加上违规占道及乱停车等现象屡禁不止,导致学校和医院及周边等重点区域的交通拥堵问题越发严重。学校与医院等城市重点区域往往是居民交通出行的主要区域,城市重点区域的交通运行状态与居民生活息息相关。交通拥堵不仅增加了出行过程中的延误,也使得交通事故发生率提高,严重威胁中小学生与医患人员的出行安全。然而,我国应用的城市交通运行状态识别,主要从宏观角度出发,重点关注道路网络全局交通运行变化情况,较少有微观指标专门针对学校、医院等重点区域的交通运行状态识别,不利于交通管理部门提早采取疏导应对措施。为方便交通管理部门提前制定重点区域疏导措施和诱导社会公众合理安排出行,急需针对学校、医院等重点区域的交通运行状态识别研究。本文基于智慧交通的处理思路与技术,分别从重点区域交通数据处理、运行状态识别、识别状态应用三个层面,开展城市重点区域交通拥堵识别技术与应用的研究。交通数据处理方面,主要开展重点区域交通数据填补、交通数据短时预测研究;运行状态识别方面,主要开展重点区域交通状态识别研究;识别状态应用方面,主要开展重点区域交通信息查询和信息服务方案发布研究。本文的主要研究成果如下:（1）提出含缺失权重的交通流量矩阵化数据填补模型数据填补是开展交通拥堵状态识别的前期工作,考虑到数据存在不完整的情况,从时间和空间两方面入手,利用机器学习法,建立数据填补模型。首先,针对历史数据,优化现有深度学习方法,构建基于领域-降噪堆叠自编码器（ND）模型,弥补缺失或损害的数据;然后,引入空间处理思路,研究构建含缺失权重的交通流量矩阵化填补模型。实验发现,模型在处理完全随机交通数据恢复、随机卡口缺失数据恢复中,均取得较好恢复效果。（2）提出基于时序残差网络的重点区域短时交通预测模型以预测精度高和资源占用少为目标,建立基于时序残差网络为基础的重点区域短时交通预测模型。模型主要由中心模块与独立模块构成,前者在于发现共性问题,后者主要就各条道路提炼个性问题,接着借助模型融合形成时序残差网络交通流预测模型。实验发现,短时预测模型精确较高,达到Acc0.02的97%且所需参数较少。（3）提出基于聚集交通量比里程分布的重点区域交通状态识别模型从微观角度出发,首先验证聚集交通量变化与交通拥堵的产生、发展与消散存在密切的相关性;然后针对区域内重点导致拥堵的路段进行挑选研究;之后运用粗糙集模型对交通拥堵区间进行细分;最后依托学校和医院监测数据,完成了聚集交通量比里程概率分布模型的建立,形成分段线性方程,并提出评价重要区域交通指数方法。相较传统指数,模型在评估区域范围交通拥堵状态方面精准性更高。（4）提出基于动态Dc-top-k的交通状态信息查询算法从动态分区方面进一步完善了Top-k查询算法。首先,运用分治检索的思路,形成Dc-top-k选择算法。然后,引入动态自适应分区算法,进一步优化Dc-top-k算法,增加智能分区功能,形成动态自适应分区Dc-top-k算法。实验发现,同其它选择算法相比来说,动态自适应分区Dc-top-k算法在查询效果与扩展性方面表现突出,非常适用于并行处理。上述四项研究从数据处理、状态识别、结果应用三个层面完成了城市重点区域交通状态识别及应用工作,从微观层面提出了有针对性的评价方法,为后续更准确分析研究和有针对性治理措施提供有力保障。此外,智慧交通的应用和用户使用都离不开信息交互系统的支持。文章根据高德地图和北京市公安交管局提供2019年全年学校医院周边道路监测数据,利用高德开放式平台,结合各项研究成果,进行实例研究,将北京市学校、医院等重点区域交通信息发布服务方案进行发布,为交通管理部门和社会公众提供实时拥堵信息查询。