交通仿真模型可用于设计与评估交通方案,是进行交通管理与组织设计的有效工具。利用交通仿真进行交通管理需建立真实有效的仿真模型,建模是否快速有效受标定方法及模型本身难易程度影响。为实现高效地仿真建模并对交通运行状态进行有效地分析,本文提出了一种基于代理模型的参数标定方法及参数反推法,并对建模难易程度不同的两种微观交通仿真软件进行标定及对比研究。研究的主要内容及成果如下:（1）利用无人机视频拍摄城市道路交通,对视频进行处理并提取交通参数。基于BP神经网络和标定指标,对VISSIM与FOSIM仿真模型进行参数灵敏度分析,得到各模型参数与标定指标间的相关性,确定各模型的关键参数。（2）构建各仿真模型的Kriging模型,结合差分进化算法（DE）,分别标定VISSIM和FOSIM模型的关键参数。结果表明,各仿真模型参数标定结果有效,Kriging-DE算法具备有效性及适用性。（3）以Kriging模型为映射,对DE算法与粒子群优化算法（PSO）的对比研究发现:两种算法标定的速度均较快,但DE算法的准确性及稳定性优于PSO算法。基于Kriging-DE算法,对两种不同的仿真软件进行标定对比研究,结果表明:以平均行程时间作为评价指标,VISSIM的标定效果比FOSIM更优;以行程时间频率分布作为评价指标,FOSIM标定效果更优。（4）对标定后的参数进行检验,并分析交通状态以及状态改变的原因。基于Kriging-DE模型,快速反推得到相同仿真目标下的不同参数组合,并进行仿真检验和评价。结果表明:1)参数检验的结果与实际情况相符;2)车辆跟车保持的安全距离增大及驶离交叉口的期望速度降低会增加交叉口排队长度;期望跟车距离增大、减速度增大、最大加速度及期望车速降低会增加路段行程时间;3)反推参数集对应的仿真结果与目标值相对误差均低于5%,研究提出的反推方法有效。本研究所提出参数标定方法和所建立仿真模型的有效性及适用性均得到验证,为后续的相关研究提供了理论支撑,并为工程实际探索了快速有效的参数标定方法和建模高效的交通仿真软件。此外,研究分析交通状态变化原因所得结论可为交通管理提供参考。同时,参数反推可为运用仿真模型设计交通方案提供一种逆向操作模式,并指导驾驶行为的改善。