近年来,我国在智能交通系统(ITS)领域已开展了大量的研究工作,交通管理系统已获取了丰富的交通基础数据,但是这些数据并没有发挥应有的效用,利用率较低。如何充分利用已获取的交通监测信息,满足日益增长的交通需要,用于提高交通控制与管理力度、优化路网结构,是目前需亟待解决的关键问题之一。本文依托于国家高技术研究发展计划(863计划)“分布式交通系统信息互操作技术”课题(2007AA11E226),在对交通数据特性分析的基础上,提出基于改进的SVM交通信息融合算法。主要从事了以下几个方面的研究:1)围绕依托课题,在对我国江西省、陕西省以及北京市等省市的高速公路管理信息系统信息应用现状深入调研基础上,对系统现场采集数据进行研究,分析了交通监测信息的内在特性。2)针对实际研究课题和传统SVM的不足,提出了基于改进的SVM的信息融合算法,即决策树-支持向量机算法(Decision Tree Method-Support VectorMechines,DTM-SVM)。该算法以“一对多”的方式有效克服了常规SVM仅适用于二分类问题的局限性,解决了多分类问题,满足了更广泛的应用需求。3)围绕DTM-SVM算法,建立了DTM-SVM的分层结构模型,并详细描述了融合流程中支持向量机训练、训练结果评价以及支持向量机测试的三个重要环节。4)依托课题研究背景,在建立了高速公路交通状态识别评价指标体系的基础上,将DTM-SVM模型应用于解决高速公路交通状态识别问题。应用结果表明,该算法有效地克服了传统SVM二分类问题局限性问题,可以在更为广泛的领域进行应用。