从1994年起，智能交通系统（ITS——Intelligent Transport Systems）这一术语得到全世界的广泛承认。很多发达国家都投入大量的人力和物力从事智能交通系统(ITS)的研究，它是目前公认的全面有效地解决交通运输领域问题，特别是交通拥挤、交通阻塞、交通事故和交通污染等的最佳途径。交通流理论是整个交通工程的基础，因此，城市道路交通流量和行程时间的预测是交通系统研究的重要内容，也是智能交通系统研究的一个重要问题。近年来，世界各国在这个领域研究中进行了多方努力，取得了一定的阶段性成果，但所建模型普遍存在着计算量大、优化时间长等问题，难以满足实时诱导的需要。 卡尔曼滤波是Kalman于1960年提出的，是采用由状态方程和观测方程组成的线性随机系统的状态空间模型来描述滤波器，并利用状态方程的递推性，按线性无偏最小均方误差估计准则，采用一套递推算法对该滤波器的状态变量做最佳估计，从而求得滤掉噪声的有用信号的最佳估计。由于卡尔曼滤波不仅可用于信号的滤波和估计，而且还可以用于模型参数的估计，所以它适用于交通状况的预测。 本文首先对智能交通系统进行了概述，介绍了其基本技术，关键技术以及结构体系，并对我国发展智能交通系统进行了一些讨论。 其次综述了交通建模的方法，接下来分析了交通流理论的发展历程、研究内容、研究的思想方法，分别对已存在的交通流量预测模型和行程时间预测模型进行了研究，对其适用条件、实时性、以及不足之处作出分析，并对整个交通流预测模型的发展方向进行了探讨。 然后，本文在基于卡尔曼滤波的交通流量预测模型和行程时间预测模型的基础上，针对卡尔曼滤波的局限性和交通流自身的特性，提出两种改进了模型，并根据仿真结果得出结论。 最后对基于卡尔曼滤波的交通信息预测系统的软件设计做了说明