道路交通状况监测是智能交通系统中的最重要功能之一。交通状态的全面感知是实现交通运营、管理与控制的基础。近二十年来,智能网联技术取得了突破性的进展。自适应巡航、车道保持辅助等先进的驾驶辅助系统已经在各种类型的车辆上得到了应用。在未来很长一段时间内,智能网联车辆和普通车辆将在交通路网中共存。在这种混合环境下,如何实现交通状态的准确感知,是一个值得研究的问题。实际上,通过智能网联车辆收集的海量数据,我们能够检测和跟踪交通网络中的各种对象。比起固定检测器数据,智能网联车辆采集的数据更为全面细致,可以同时满足宏观、微观两个层面的研究需要,是更好的数据来源。但是,由于数据传输、车辆遮挡、传感器检测范围等原因,智能网联车辆所采集的轨迹点常常含有缺失段,需要对其进行估计与重构。为了形成车辆探测—轨迹信息补全—状态估计这一完整的交通状态感知框架,本文利用智能网联车辆的探测信息,依次建立了车辆换道决策模型、车辆轨迹重构模型、交通状态估计模型。在这一框架中,智能网联车辆所探测的不完全轨迹信息通过车辆换道决策模型做出决策判定;对应进入跟驰、换道轨迹重构模型,完成缺失轨迹的补全;再通过交通状态估计模型得出全时空交通参数的准确估计。主要研究工作总结如下:首先,为了识别车辆换道决策,论文基于无人机航拍数据分析了不同车辆运行状态下的交通参数特征,得到了影响换道决策的特征参数,使用高斯混合隐马尔科夫模型对车辆换道决策进行建模,建立起车辆间运动关系与车辆换道决策之间的联系。模型在测试集上的表现良好,识别准确率达92.37%。其次,针对轨迹缺失问题,论文对不同运行状态下的车辆轨迹演变进行分析,确定了跟驰、换道行为的车辆轨迹变化的影响因素以及历史数据时间步长,在车辆换道决策模型的基础上,构建了基于双向长短时记忆网络的车辆轨迹预测模型,并结合车辆轨迹平滑连接算法,最终得到完整的车辆轨迹。论文对比了重构轨迹与实测轨迹,验证了模型的有效性。最后,论文通过时空区域离散化将路段上的交通状态估计问题转化为矩阵估计问题,通过探测区域与不可探测区域的分割将矩阵估计问题转换为矩阵补全问题。利用完整的车辆重构轨迹,使用矩阵分解方法建立起缺失值与实测值之间的联系,对整个时空区域内的交通参数进行计算与估计,得到了完整的交通状态时空演变图。模型在数据集上的测试结果表明,所提出的矩阵分解方法可以在15%、20%的渗透率水平下实现速度、密度的准确估计。