由于汽车增加,道路容量不足等原因,城市快速路交通拥堵问题正日益突出。解决该问题的根本原则是降低道路车流密度。实现该目标有很多途径,其中一种是通过实时交通状态估计,对出行者进行诱导,从而提高道路利用率。为更精确地估计交通状态,本文综合考虑各类传感器采集的交通数据,提出了一种基于高斯混合模型(GMM)的交通数据融合模型。该模型能够有效克服单一传感器数据的不确定性,准确评估路网交通状态。结合已有研究成果,本文围绕交通状态估计过程中的传感器数据预处理、视频源平均速度优化及交通数据融合三点内容进行研究和实验,研究内容及创造性贡献如下：首先针对外界环境因素干扰导致传感器数据质量降低的问题,文章提出了一种考虑具体道路等级,采用对应阈值及卡尔曼滤波器对各类传感器数据进行筛选及滤波的方法。其次针对传统视频源易受光照影响的缺陷,本文采用RGB-D设备同时获取彩色信息及目标与相机的距离信息,即深度信息,分析获取更丰富的场景信息,提高车辆识别与跟踪的精确性,最终提高路段平均速度估计的精确性。最后针对交通状态估计中单源传感器数据的不确定性导致结果不准确的问题,本文综合考虑多源交通数据,采用GMM进行异类交通数据建模,并提出了一种基于高斯混合模型的多源异类交通数据融合算法,以进一步提高交通状态估计的准确性及鲁棒性。采用杭州4条路段的2015年7月6号到10号的微波、GPS数据以及RGB-D三源数据对本文提出的数据融合模型进行分析验证,实验结果显示：(1).结合了具体道路等级的传感器数据抗差处理对提高数据质量具有积极的意义；(2).深度数据有效弥补了传统视频设备在彩色信息缺失时带来的问题,提高了车辆及路段速度估计的精确性；(3).本文提出的基于高斯混合模型的数据融合算法通过结合交通流参数分布特征,能够有效提高交通状态估计的准确性及鲁棒性。