高速公路网交通流监控工作中包含两项基础性的工作：一是如何科学合理地布设检测器,二是如何对没有布设检测器的位置上的交通流状态进行估计。通过这两项工作可实时获得高速公路路段交通流状态参数(流量,平均速度和密度等),并保证在每一个时间步长内具有足够的空问解析度。如果没有科学合理的交通状态估计,就无法进行交通事件识别、状态预测和控制策略优化。这两项工作是现代高速公路管理与控制中最为关键的部分。通常基于模型的交通状态估计包含一个为刻画状态变量动态变化而建的动态模型,一系列与检测值相关联的观测方程,和一种将模型预测值与检测值数据同化的方法。般地,动态模型和观测模型都是建立在欧拉坐标系之上(空间-时间)。研究表明上述过程可以用拉格朗日坐标(车辆数-时间)描述得更为高效和精确,本文的主要创新性工作如下。在拉格朗日坐标体系中重新建立宏观交通流模型。拉格朗日坐标系被固定在已知的流动质点上并随之在空间—时间上运动。在这个新的坐标系统里,研究的对象不再是确定局部密度,而是车辆数n的位置X(n,t)。本文依据守恒原则和变分原理,将运动波模型转换成拉格朗日数值格式,形成交通流动态过程方程；提出一组观测方程,可同时关联欧氏检测数据和拉格朗日检测器数据。在扩展卡尔曼滤波方法的基础上,形成新型的拉格朗日实时交通流状态估计器。提出节点模型表示车辆的形成和消散,结合拉格朗日运动波模型,最终实现估计器在大规模路网上的应用。本文在对拉格朗日估计器和欧拉估计器的验证和比较中,使用了相同的LWR模型和现场交通流检测数据。结果表明拉格朗日估计器具有显著的精确性,在计算上和理论上都比欧拉估计方法更优越。在拉格朗日坐标体系下,本文研究比较了不同的数据同化方法的性能。针对一阶线性拉格朗日系统方程,采用牛顿松弛方法将实时的交通流检测数据值融合于交通流模型的技术,并将它与卡尔曼滤波方法进行了比较。前者采用牛顿松弛方法改进了LWR模型,在LWR模型的基础上增加了修正项,减少了测量值与估计值之间的误差,它使得模型估计值更加逼近测量值。后者基于卡尔曼滤波和混合系统构架,增加了一个观察方程到线性流模型中。这两种方法都假定基本关系和特征路段的边界条件为已知,它们都不需要知道出入口匝道检测器的计数。研究过程中运用多组数据对方法进行了测试,这些数据包括现场检测数据和仿真数据。结果表明本文提出的方法能成功地将GPS数据用于高速公路交通状态估计。在对交通流状态估计方法进行研究的基础上,本文提出了一种面向交通流状态估计需求和运营需求的检测器布置方法。将交通流信息采集需求划分为交通规划、路段运营管理和交通流管控三个层次,论文定义满足交通规划需求的检测器布置方案为最小检测器布置,满足交通状态估计与投资相平衡的检测器布置为最优检测器布置。将高速公路网视为有向图,边数与节点数之差为最小检测器数量,利用最小边控制集的思想得到最小检测器布置方案。论文运用扩展卡尔曼滤波算法对不同检测器布置方案下交通流状态进行估计,计算估计偏差,以获得最优检测器布置。论文最后通过算例对提出的分层优化方法进行了仿真试验,验证了方法的有效性。在集成的车辆环境下,拉格朗日体系下的交通状态估计方法比欧氏系统的方法更精确、更具有普适性。因此,本论文研究将极大地促进交通管理和控制方法的发展,具有重要的学术价值和广泛的应用价值。