在先进的交通管理系统(Advanced Traffic Management System，ATMS)中，交通信息是最为核心的内容，各种功能都是以信息应用为中心展开的。正是信息的采集、传输、存储、分析处理及应用，使交通管理实现了由简单静态到智能动态管理的转变，进而最大限度地被出行者、司机、交通管理者、交通研究人员及政府机构所共享和利用，从而实现了智能交通系统的动态优化运行，有效地满足了人们对交通系统发展的需求。 动态交通信息采集及数据融合系统主要完成动态交通信息诸如车流量、车辆平均速度和道路占有率等交通信息的采集及分析处理工作。它使交通部门可以及时准确地获取有关交通状况信息，并进行处理，从而更好地发挥交通管理系统在交通监视、交通控制、出入控制、救援管理等方面的准确性和调控性。由于智能交通系统(Intelligent Transport System，ITS)中单个交通检测器的输出信息具有局限性，不能全面反映整个路网的交通状态信息，且各个子系统的信息共享难度大，交通管理效率低。所以，此系统中采用基于视频的多虚拟线圈传感器采集，并对数据进行全局融合，克服了单个传感器检测的不确定性和局限性，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更加充分的信息，提高整个传感器系统的有效性能，全面准确地描述被测对象。 论文的主要工作如下： 1)首先研究了基于视频的车辆检测及交通参数获取问题。在此研究中，采用了改进的背景差分和帧间差分相结合的车辆检测方法；针对背景模型易受环境变化的影响，对准确性较高的基于中值像素灰度归类的背景重构算法进行了改进，同时采用了分块处理的背景更新策略，提高了系统的实时可靠性；对于阴影干扰的消除，采用了基于色度、饱和度和亮度(hue，saturation，intensity，HIS)空间的阴影检测算法来实现；最后通过在视频图像中设置多个虚拟线圈来完成交通参数的检测。 2)在车辆检测研究的基础上，对多传感器数据融合问题进行了较为细致的研究，对基于免疫算法的径向基(Radial Basis Function，RBF)网络融合方法进行了改进。首先研究了网络的两种学习方法，分别是模糊K-均值算法和改进免疫算法，并通过实验比较两种方法的优缺点。通过实验发现，两种算法都能以较快速度生成各自的聚类中心或记忆群，但改进免疫算法的迭代过程明显快于模糊K-均值算法。同时由于记忆库的存在，免疫算法更加显示出它的优越性，对于相似数据显示出更强的亲和力，使得融合的速度和准确性都明显高于模糊K-均值算法。最后一章，总结了本文所做的研究工作，并对本课题今后的研究方向做了一些预测和展望。