经济的快速发展引发了人们购买私家车的欲望,购车速度远超交通建设速度,导致交通拥堵现象越发严重,合理分析道路交通状态是交通管理与控制的重要内容。交通信息采集技术是一种获取交通数据的手段,同时也是分析交通状态的基础,传统的采集技术相对成熟、计数精确,但容易受到外在条件的影响。而视频检测技术易于安装、维护,检测信息量大且能提供图像资料。因此,基于视频检测技术分析交通状态具有一定的研究价值。论文基于现有车辆检测与跟踪算法和拥堵状态判别方法,提出基于深度学习的交通拥堵状态检测与分析,研究目标车辆检测与跟踪相关算法、交通参数的选取、交通拥堵状态的判别模型和交通拥堵状态预测模型。论文首先介绍了几种主流目标检测算法原理,并对这几种检测算法进行实验对比分析,选择检测效果相对较好的YOLOv3算法作为车辆检测的基础网络。然后介绍了三种目标跟踪算法原理和优缺点,分析对比后选用递归的卡尔曼滤波算法对YOLOv3输出的预测框进行跟踪,并利用目标外观特征对跟踪目标进行匹配。根据检测视频中相邻两帧之间的变化信息,获取车流量、车流密度和平均速度三个交通流参数信息。卡尔曼滤波算法充分利用历史信息,缩小图像搜索范围,提高系统性能。其次,研究国内外交通拥堵划分的等级与依据,本文结合流量、车流密度和速度三个交通参数共同作为交通状态判别的依据,同时利用阈值划分对交通状态进行判别。另外,在交通状态预测方面,详细介绍了一些主流的预测算法,经过实验对比分析,选择效果较好的布谷鸟搜索算法优化小波神经网络算法(Cuckoo Search Algorithm optimized Wavelet Neural Network Algorithm,CS-WNN)作为基础模型,考虑到基础模型的全局搜索能力和局部搜索能力对精度的影响,将固定步长和发现概率调整为动态变化的,有效提高预测精度。以上海市城市道路视频图像数据为基础,对上述方法进行检测验证。