智能运输系统中的先进的交通管理系统受到了广泛的关注，并且在此基础上产生了道路交通拥堵自动判别（Automatic Congestion Identification，ACI）算法。通过分析经典ACI算法与现有的新的ACI算法，其中基本不涉及定性信息的处理，而现实生活中需要并且存在着大量的定性信息。因此，本文提出了一种基于云模型的ACI算法，实现了从定量数据到定性数据的转换。在交通数据预处理的过程中引入了基于云模型的故障数据识别与修复的方法。通过前后相邻时间段的云团的相似性特点，先将大量定量数据转换为定性概念，通过比较概念之间的相似程度，再将定性概念转换为定量数据，并利用该数据进行故障数据的修复，比传统的数据修复方法的平均相对误差减少了近4个百分点。建立了具有三层结构的路网交通状态指标体系。底层指标为常用的交通流参数，中间层指标为路段交通运行状态指标，顶层指标为路网交通运行状态指标，并将交通运行状态分为5个等级，即畅通、基本畅通、轻微拥堵、中度拥堵和严重拥堵。利用云变换算法体系中的峰值云变换、概念跃升得到了反映5种交通状态的云的定性概念，即数字特征。通过隶属度判别，实现定性概念到定量数据的转换，得到概念对应的云滴，利用云滴对特定的交通流参数数据进行判别，选出隶属度最大值对应的交通状态，得到最终的判别结果，并将判别结果以定性的一组语句输出。通过与经典ACI算法和新的ACI算法的对比，基于云模型的ACI算法在拥堵判别率方面比当前性能最好的双截面人工神经网络算法低了0.19%，在拥堵误判率方面高了0.02%，但这些差别几乎可以忽略，同时在拥堵平均判别时间上，基于云模型的ACI算法是最短的，基本达到预期的要求。