为了及时检测城市道路的交通拥挤事件,减少交通拥挤事件导致的出行延误、财产损失甚至人员伤亡等,研究快速、高效、准确的交通事件自动检测算法(AID,Automatic Incident Detection)至关重要。现有的AID算法研究大多采用单一固定式车检器用于数据采集,数据来源单一,且主要是针对高速公路,对城市道路的AID算法研究较少,同时大多针对交通拥挤事件的发生阶段进行检测,目的是及时发现已发生的事件,而对于事件的趋势状态的研究不够重视。针对上述问题,结合新一代数据采集技术和人工智能理论,提出了两种基于激光测距和GPS信息融合的AID算法。首先介绍了城市道路交通流特性以及交通事件的检测原理,在分析激光测距仪和GPS检测原理的基础上,提出了基于激光测距和GPS的AID系统;其次对比分析了常用的AID算法,指出将其应用到我国城市道路交通拥挤事件检测中存在的一些问题,同时在分析信息融合原理的基础上,提出了基于激光测距和GPS的信息融合模型,为分类器特征向量的选择提供参考;然后针对城市道路交通拥挤事件是否发生两种状态,提出一种SVM-AID算法,针对城市道路交通正常、交通拥挤、拥挤加剧和拥挤减缓四种状态,提出一种粒子群优化神经网络的AID算法。对于两种新AID算法分别构建了基于激光测距仪和GPS信息融合的特征向量,给出了新AID算法的设计思想和工作步骤,并用实测试验测试了其有效性。测试结果表明,相比于经典AID算法,新算法具有更高的检测率、更小的误报率和更短的平均检测时间。