物联网(Internets of Things,IoT)在近几年的取得了高速地发展,作为其重要组成部分的车联网(Internet of Vehicles,Io V)领域也得到了人们足够的重视,并开始了逐步地进行研究和应用。其目的主要是为了利于对交通进行实时监管,在便于人们的日常出行的基础上节约能源的使用,并最终实现智能驾驶。为了实现这个目标,必须要实现对交通信息的准确获取和融合。本文基于目前对车辆群智感知和无人机(Unmanned Aerial Vehicle,UAV)高空观测的方式获取道路交通信息已有的研究,以及利用Io V研究的实时成果,设计了交通信息获取的混合通信结构,在保证车辆、路边单元(Roadside,RSU)、UAV和交通服务器有效通信的同时,实现了对交通信息从微观到宏观的获取。但是在交通信息获取的过程中存在两个问题需要解决。一个问题是由于无法保证所有的车辆参与群智感知,以及UAV观测范围有限,导致宏观的交通信息获取不完全,存在“盲区”。另一个问题是,UAV虽然可以实现对路面车辆的观测,但是其准确性往往受很多内外因素的影响,比如天气、飞行高度和设备准确性等,导致观测存在较大的误差。本文利用相关分析对道路结构进行相关性分析,并利用主成分分析(Principal Components Analysis,PCA)验证了交通信息矩阵可以用转化为一个低秩矩阵,从而提出了利用压缩感知的方法对缺失的交通信息进行恢复,并在不同信息完整度的情况下得出了较为接近原始信息的恢复结果。在此基础上,针对UAV观测误差校准的问题,本文提出了采用时间序列分析和自适应卡尔曼滤波相结合的方式。利用季节性自回归求和移动平均模型(Seasonal Autoregressive Integrated Moving Average Model,SARIMA)和广义自回归条件异方差模型(Generalized Autoregressive Conditional heteroscedasticity Model,GARCH)建立卡尔曼滤波所需要的状态转移方程和方差更新方程。再基于对UAV观测误差调研的基础上,研究了观测方差对滤波结果准确性的影响,并最终利用卡尔曼滤波实现了对UAV观测结果的校准。通过本文的研究,能够实现对交通信息从微观到宏观的获取,通过实验仿真,对无法获取的信息和UAV观测存在的误差实现较为精确的恢复和校准,验证了方法的可行性和优越性。