随着经济社会的快速发展，城市规模不断扩大，城市交通面临着巨大的压力。通过智能交通系统建设，提高交通管理与服务的信息化水平和决策支持能力，是减少交通事故，解决交通拥堵，促进城市环保，提高人民生活质量的根本途径。交通数据采集系统是智能交通系统的重要组成部分，其目的是利用信息识别技术，获取公路交通中如车流量数据、路况信息等交通数据，最终为交通管理部门做出改善公路交通运输状况决策，以及对决策的有效性进行判断，提供数据依据。然而，随着智能交通系统的研究的进一步深入，和建设的进一步加大发现，交通作为一个复杂系统，研究对象也日趋复杂，个别传统的基于建立精确的数学模型的方法已经十分困难，且建立出来的模型的可移植性受模型假设条件的限制较大；大量的传感器以及检测器的使用，使得每天数据库中采集到了大量的过程数据，面对这些海量的离线、在线数据，现有的基于模型的研究方法已经无法满足实际需求。因此，数据驱动的思想及技术就在这样一个背景下被引入到了智能交通领域中，并对基于模型的方法进行补充。本文针对上述问题，面向智能交通系统，通过需求分析确定了智能交通系统的逻辑框架；从逻辑框架中得知数据的准确性、有效性是智能交通系统的基础；通过分析总结了智能交通系统中数据采集技术的优缺点以及数据噪声及故障数据的特点；结合数据驱动思想及其技术，分别对智能交通系统逻辑框架的每一个层面，即数据预处理、数据故障诊断和数据应用三个方面进行了研究。主要研究内容有：1、基于数据驱动的数据降噪模型的研究。该模型服务于故障诊断，采用改进的小波阈值除噪算法进行建模，并进行了实验仿真。2、基于数据驱动的故障数据诊断模型的研究。该模型用于对交通检测数据的实时监控，对发生故障的数据进行分离，同时对故障信息进分析，以此来判断出现故障的设备，为保障数据的有效性和设备维护提供数据依据。该模型采用改进的MSPCA算法，本文通过与其他同类算法，如PCA、自适应PCA和经典MSPCA进行了对比仿真实验，结果表明本文提出的模型准确率更高。3、基于数据驱动的自动判断模型的研究。该模型采用前期研究的两个模型处理后得到的数据。尝试采用条件论证的理论方法进行建模，文章最后设计了验证性实验，结果证明该模型准确率较高，其理论能够用于道路拥挤判断，且模型假设条件较少，因此可以不受被研究路口位置限制，可移植性较强。