道路交通事故是制约现代道路交通系统发展的重要问题。它既对人们的生命和财产安全构成了极大的威胁,同时也给社会和生态环境带来了重要的影响。道路交通事故预测是道路交通安全研究的重要内容,旨在掌握道路交通事故未来的变化趋势,为道路交通管理提供科学的决策依据和对道路交通安全措施的可行性以及实施效果进行合理的评价,达到减少交通事故的目的。在分析国内外道路交通事故预测研究现状的基础上,考虑道路交通系统非线性、动态性及不确定性等特点,论文探讨了目前典型预测方法在道路交通事故预测中存在的问题,并指出问题根源在于缺乏对道路交通事故数据不确定性特点的充分考虑,因而导致预测模型收敛速度慢、预测结果精度低。论文面向道路交通系统的特点,利用人工神经网络在解决复杂非线性问题方面的优势,结合多层激励函数的神经网络对不确定性非稳态数据良好的预测效果的特点,建立了一种新的道路交通事故预测模型——量子神经网络(Quantum Neural Network, QNN)预测模型,并研究了模型构建中的关键技术问题。在模型参数确定过程中,针对传统人工神经网络模型在选取输入层节点个数方面存在经验因素的问题,研究了一种定性与定量相结合的输入层节点选取方法:该方法首先采用因素分析法筛选出初选自变量,然利后用相关分析法分别计算初选自变量与因变量之间的相关系数,最后选取相关系数较大的自变量作为模型的输入。在网络训练过程中,针对传统样本预处理方法易使网络在训练过程中陷入局部极小问题,改进了最大最小值预处理学习样本方法:为了避免让归一化函数接近值域[0,1]两端的饱和区,该方法将原始样本的每个特征分量都归一化到[0.1,0.9]之间,从而有效解决了网络易陷入局部极小的问题。最后,论文以我国1973~2009年的人口、公路里程、民用车辆保有量、GDP以及道路交通事故数据为基础,对建立的量子神经网络预测模型进行了验证实验,并且与灰色模型、(线性和非线性)回归模型以及BP神经网络模型进行了对比分析。结果表明:本文提出的模型在预测精度和收敛速度方面均有明显改善,验证了其可行性和有效性,对道路交通安全管理具有参考价值。