高速公路突发事件通常是指在高速公路上行驶的车辆发生碰撞、刮擦、翻车、失火或爆炸等所造成的车货损坏及人员伤亡，这些不可预知的交通事件给国家和人民带来极大的损失，严重影响高速公路的正常运行。 当高速公路发生突发事件时，发生路段在短时间内，上游交通流出现拥挤，车速变慢，密度超过正常平均值；下游交通流出现疏散，密度小于平均值，这将会导致通行能力迅速下降。如果下降到低于交通需求时，就会产生偶发性交通拥挤，致使交通瘫痪。 然而，交通事件的发生频率一般比较小，大部分时间为无事件发生情况，即对于采集的样本数据，大量的样本会集中在某一个紧凑区域，称为正常样本；而少量事件样本会根据事件发生时的特征散布在紧凑区域的周围。为了达到检测目的，本论文引入基于SVM的一类学习方法来解决此问题。该方法在特征空间上建立学习样本分布区域的模型并构造判决函数，当未知样本落入判决区域内部时判为正常，否则判为异常。该方法无须对样本的分布给出任何先验的统计假设，即使样本分布是非凸、非连通的也可以得到很好的判决函数，学习的过程也不存在局部收敛问题。并且对于事件检测时的漏报和误报，只需让判决函数尽可能紧凑的覆盖学习样本即可。 针对高速公路事件发生时各个交通参数变化的特征，论文中采用对事件发生敏感度最高的3个交通参数的变换量作为特征值，根据实地数据进行样本的训练学习，标定了判别模型；对于实际中存在的检测率和误报率之间的对立矛盾，采用折中的处理方式，保证检测率较高的前提下，降低事件的误报率，增强实时处理能力，实验检测结果表明该方法具有较高的检测率，误报率得到有效的控制，具有较高的应用价值。