交通系统是保证人们正常生活不可缺少的重要组成部分，然而随着人们生活水平的提高，生活节奏的加快，城市车辆数目剧增，已经出现如车辆拥堵、停车难以及交通事故多发等诸多交通问题。这些交通问题不仅造成了巨大的经济损失，也造成其它负面影响，如运输能力下降、交通安全、环境污染加剧以及能源紧张等，直接威胁到人们的生命和财产安全，制约了城市的可持续发展。研究表明，加大交通系统的硬件投入已经无法满足需求。因此，有效地解决交通问题的途径之一就是建立一种实时、准确而高效的交通运输综合管理系统，即智能交通系统（Intelligent Traffic System，ITS）。而交通流量、车速、车型等道路交通信息实时测量是ITS的一个基础的重要环节，测量的精度直接影响着ITS运行效果，道路交通信息采集技术的研究已经成为ITS领域的重点和难点。因此，对于此问题的研究具有十分重要的理论意义及现实指导作用。　　本论文以道路交通信息采集技术为研究对象，深入研究了车辆检测算法、车速监测算法以及车型分类识别算法。重点解决如何采用地磁传感器节点对车辆进行精准的检测、在互相关检测方法中如何获取最佳的参考信号、如何解决车速监测中时间不同步的问题、如何排除相邻车道车辆的干扰问题以及如何解决车型分类识别中的参数优化问题。本文针对上述问题进行了深入研究，主要的贡献和创新具体表现在以下几个方面:　　(1)研究并设计了一种基于各向异性磁阻(Anisotropic Magnetoresistive，AMR)传感器的车辆检测器，并在此基础上提出了基于车辆特征的状态机检测算法（Vehicle-Feature-Based State Machine Detection Algorithm，VFSMDA）和基于互相关的车辆检测算法(Normalized Cross-Correlation Vehicle Detection Algorithm，NCCVDA)。VFSMDA将车辆特征与状态机算法相结合，提高了状态机检测算法的检测性能。但是，状态机检测算法在检测背景复杂的情况下，信噪比下降，此时的检测性能随着下降。为了克服基于阈值的状态机车辆检测在信噪比下降情况下检测精度下降的问题，本论文提出了NCCVDA，利用地磁信号的互相关进行车辆检测。而互相关车辆检测的性能与参考信号的选择密切相关，本论文提出了基于K-means聚类方法的参考信号选取方法。算法中对大量实际的车辆扰动信号进行K-means聚类分析，通过聚类得到具有代表性的聚类中心，从而聚类中心被引用为参考信号。　　(2)提出了基于互相关的车速监测算法(Cross-Correlation-based Vehicle SpeedMonitoring Algorithm，CCVSMA)。由于基于检测点的时间差估计算法的监测误差比较高，本论文采用了基于互相关的车速监测算法。由于前后放置的两个传感器节点所检测到同一辆车的地磁扰动十分相关，可以利用相关性计算，并找到其峰值，峰值所对应的时间就是两个节点采集信号的时间延迟，即我们用来监测车速的时间差，进而利用已知的距离和时间差计算出平均车速。　　(3)提出了基于支持向量机的车型分类识别算法(Support Vector Machine basedVehicle Classification Algorithm，SVMVCA)。为了保证道路交通信息采集的全面性，本论文进一步研究了基于地磁传感器节点的车型分类识别算法，选择了支持向量机（Support Vector Machine，简称SVM）分类学习算法对车型进行分类识别。为了解决非线性分类的问题，本文选取了多项式和径向基（Radial Basis Function，简称RBF）的混合核函数。　　本论文通过对车辆检测、车速监测以及车型分类识别等问题的研究，设计了无线地磁传感器网络，利用场景实例或数据对本论文提出的技术和方法进行了验证，实验结果证明本论文所提出的交通信息采集方法具有长期稳定性、不受天气影响、成本低和易安装维护等特点，有较强的实用性。