近年来,大数据出现的频率越来越高,很多行业和领域在大数据相关技术的帮助下取得了突破性的进展。交通作为人类行为的重要组成和重要条件之一,对于大数据的感知也是最急迫的。每日在城市中穿梭的车辆就隐藏着巨大的信息。然而目前来看智能交通的潜在价值还没有得到有效挖掘。在上述背景下,针对交通大数据分析系统的研究和应用应运而生。传统的数据分析系统在海量数据存储分析方面存在明显的性能瓶颈,并且单台计算机有限的内存与CPU已无法完成对大数据的处理。对比目前广泛运用于大数据分析的Hadoop的MapReduce分布式计算框架,本文采用的基于RDD(弹性分布式数据集)和内存计算模型的Spark分布式计算框架具有更好的适用性。本文以交通监控目标信息数据为基础,完成了基于Spark的交通监控目标大数据分析系统的设计与实现。本文首先对大数据的理论和关键技术进行了深入的研究,详细描述了系统的设计分析思路,包括系统架构和功能模块的设计。在功能模块的设计中主要考虑包括海量的数据的接入、存储、分析、展示等问题。然后在此基础上开发了基于Spark的交通大数据分析系统,为交通领域的数据挖掘提供了系统支持。接着本文详细描述了系统在进行数据分析过程中遇到性能瓶颈的原因,同时提出了一个基于代价和Bloom Filter算法的关联优化方案。除此之外还针对分布式消息队列提出了一种优化的配置方案,使系统的吞吐量达到最大化。最后设计了相关实验,经过大量真实数据的实验,验证了本文所提方案的有效性,并在优化后取得了很好的效果。