高效精确的交通流量预测是实现交通系统智能化的重要基础。短期交通流量预测为智能交通系统提供保障。短期交通流量预测是基于动态获取的过去时间的交通流量序列数据以预测未来的交通流量状态。在智能交通系统中最重要的一环就是摄像监控系统。近年来,公共场所布控摄像头的数量呈现井喷式增长,面对丰富、海量的摄像信息,人工审看的工作模式已经无法应对视频数据的爆炸性增长,海量图像低效能应用逐渐成为智能交通中图像分析的瓶颈。为了有效利用城市交通监控图像中的信息进行短期交通流量预测,本文提出基于深度学习的车辆检测方法和短期交通流量预测的方法。针对监控图像中车辆目标遮挡和雨天环境下车辆的误检问题,重点研究了基于注意力结构的Faster R-CNN车辆检测方法,在基础的Faster R-CNN网络中添加有监督的注意力模块,对主干网络提取的特征进行显著性增强,同时使后续的网络结构受益。针对当前基于神经网络的交通流量预测方法由于嵌入了部分手工设计的特征,网络结构较为刚性,存在适应性差、鲁棒性差、对数据的局部特征刻画不准确等缺点,本文提出了基于维度加权的残差长短期记忆网络的短期交通流量预测方法,摆脱手工固定特征结构的限制,实现对交通流量数据的自适应建模分析,根据车辆计数转化成的时间序列数据进行短期交通流量预测。实验证明,本文方法充分利用了城市交通监控图像数据的信息,在新加坡城市监控数据集上,本文方法表现出了较好的泛化能力和较高的准确率。