随着城市化进程的加快,人们的生活水平逐步提高,机动车的数量也与日俱增,给城市交通带来巨大的挑战。在现有路况条件下,提高对交通的控制管理水平,合理使用现有交通设施,充分发挥其潜力,是解决交通拥堵问题行之有效的方法之一。能否准确地对城市道路交通流进行预测,便成为智能交通系统(Intelligent Transportation System,1TS)关键解决的问题之一。因此研究短时道路交通流预测理论具有重要的现实意义。道路短时交通流预测理论是在现有条件下解决道路拥挤突出矛盾,有效管控交通的重要理论方法。传统的预测方法有求和自回归移动平均模型,非参数回归模型等。现在比较新的预测研究方法主要有支持向量机模型,混沌预测模型,人工神经网络模型以及基于多种模型特点集成的组合预测等。但各种理论模型多具有自身的特点与缺陷。如：非参数回归方法虽然结构较简单,但该方法是基于寻找近邻的复杂性,在出现大数据量的情况下实际应用受到限制。传统神经网络存在训练速度慢,且有时出现不收敛的状况。将卡尔曼滤波理论和小波神经网络理论应用于短时交通流的预测,是通过卡尔曼滤波对数据流的滤波作用,去除数据信息中存在的白噪音,通过小波神经网络结合的小波变换良好的时频局域化性质以及神经网络自学习的功能,完成对相关样本的训练和预测。因此,本论文将卡尔曼滤波理论和小波神经网络理论引入道路短时交通流预测中。本文主要工作如下：首先,用卡尔曼滤波理论对道路短时交通流进行滤波处理,形成良好的训练样本。其次,详细研究了小波神经网络交通流预测模型的中小波基函数选择,参数设定、模型建立,算法设计等。同时针对以往小波神经网络模型易出现陷入局部极小或不收敛等问题进行了算法的改进和优化,提高了模型预测的性能,通过训练仿真验证了其预测的效果。最后,通过对城市道路交叉口在高峰时段的车流状况进行实测,结合卡尔曼滤波和小波神经网络模型对交通流数据样本进行训练和仿真,根据仿真分析与比较,将基于卡尔曼滤波和小波神经网络模型、BP神经网络模型和RBF神经网络模型的预测性能进行了全面的比较。研究结果表明本文方法在交通流预测准确性、领域的可行性,且预测精度较高。