随着社会进一步的城市化进程，城市交通路网的拥堵情况日益严重。利用智能交通系统监控、管理城市路网交通状况的需求也愈加迫切。作为智能交通系统的主要研究领域，交通状态估计能够根据不同的传感器数据计算出交通路网的实时路况，是其他交通流分析的基础；此外，由于城市路网的庞大与复杂，对整个路网进行统一的管理与控制并不现实，对城市路网进行分区也变得更加重要。本文主要介绍了根据GPS数据与SCATS数据两类不同交通数据来源进行交通流状态估计的方法，并在此基础上提出了利用一段时间内路网交通状态对城市路网进行动态划分的方法。由于GPS系统能够提供探测车的地理位置、行驶方向以及行驶速率，具有采集方便、覆盖广泛的优点；因此基于探测车GPS数据的分析成为交通状态估计的主要研究方向之一。本文介绍了一种以单独路段作为研究对象，利用在路段内部车流速度在时间、空间上的连续性，将路段内探测车GPS作为采样点进行曲面拟合的建模方法。作为分析的基础，我们还介绍了GPS数据的转换以及路段匹配的方法。而作为目前在世界范围内广泛使用了的SCATS系统，已经有许多基础设施投入使用。为了充分利用SCATS系统，对于SCATS感应线圈的数据的分析也逐渐得到重视。由于SCATS线圈数据与实际的交通流速度并不存在明确的数学关系，本文提出了使用多项式拟合、支持向量回归、BP神经网络等方法，通过监督训练，得到两者间变换关系的方法，并比较了几种方法之间的优劣。对于上述两类交通数据进行的交通状态分析，本文均根据视频人工标定速度真值的方式，在上海市外环区域部分路段上进行了实验，分析并验证了交通状态估计结果的准确性。最后，根据前面交通状态分析的结果，我们利用GPS数据覆盖的全面性，以其估计的交通状态作为输入，进行了路网的动态划分工作。通过对整个路网进行采样，划分为同样大小的区域，并根据每个区域的地理位置以及多个时刻的交通状态，我们将具有数据的区域进行聚类，得到路网动态划分的结果。在此基础上，根据SCATS数据计算的交通状态，我们提出了一种表示区域交通状态的交通指数，并根据区域交通指数对路网区域的特点进行了分析。