由于经济的快速发展,城市交通量急剧增加,使得城市道路交通拥挤与拥堵日趋严重,这就要求加强道路监测与管理的有效性与实时性。实现有效的道路交通监测与管理的关键是建立一个实时有效的智能交通系统(Intelligent Transportation Systems, ITS),对道路交通状态进行检测进而实现交通流的诱导。本文主要研究交通状态检测算法的两个模块：基于视频的交通流参数检测、基于分类器的交通状态分类。基于视频的交通流参数检测方法具有成本低,易安装,涵盖信息量大等特点,最有发展前景。目前基于视频的交通流参数检测技术主要是根据图像帧差法、背景差法、边缘检测法来检测车辆信息。为了更有效的检测出车速和车流量两个交通流参数,本文对传统背景提取法进行了改进,结合小波变换,减少背景提取算法中的车辆运动轨迹。并采用虚拟检测圈技术对车流量、车速进行检测：在沿垂直于道路方向的区域设置两个平行的虚拟检测线圈。对虚拟检测线圈内的图像进行处理,从而对过往车辆进行计数与测速,降低了运算量。道路交通状态分类算法,即判别道路上的交通状态是畅通,繁忙还是拥堵。本文综合利用了支持向量机SVM (Support Vector Machine)与BP (Back propagation)神经网络分类算法,对城市道路交通状态进行分类判断,提高了交通状态分类算法的准确率。仿真结果表明,采用SVM与BP分类算法融合的两层级联分类器提高了分类准确率。在采用SVM-BP的两层级联分类器的基础上,与单一的SVM、BP分类器进行分类器融合的方法,对分类准确率有进一步的提高。该方法通过杭州市某路口的实际勘测数据与交通仿真软件VISSIM仿真结果相结合,提取出能反映交通状态的特征参数并进行数据预处理；利用预处理后的特征参数数据通过SVM和BP进行分类训练,实现交通状态的检测。本文所做的算法研究经过仿真测试,具有良好的检测与分类准确率,可为ITS智能交通系统提供算法上的借鉴。