随着城市规模的扩大和城市人口的增加,交通拥堵成为城市交通的突出问题。造成交通拥堵的一个主要因素是交通事件,交通事件对城市交通的影响巨大,不仅造成人员伤亡和财产损失,还导致道路交通拥挤,甚至造成局部或者整个路网的瘫痪。为了对交通事件进行有效的检测,降低交通事件的影响,需要利用有效的检测设备和检测方法对交通事件进行检测。然而由于采集环境、信号传输等原因造成检测器采集到的交通流数据存在不同类型的质量问题,采用单一的事件检测算法检测效果不理想,容易产生误检和漏检的现象。基于上述因素本文提出了基于D-S证据理论的融合事件检测算法,以提高单一事件检测算法检测性能较差的缺陷。首先,本文根据交通事件前后的交通流变化规律和历史交通流数据提出了多参数California算法、断面流量——速度算法和神经网络算法。多参数California算法采用的是交通流的占有率数据,而断面流量——速度算法采用的是速度和流量数据,分别采用不同交通流参数进行事件检测的优势是当某项交通流参数缺失时可以利用另一种检测算法进行检测。基于神经网路的事件检测算法在处理多维非线性的交通流数据方面具有独特的优势,本文将神经网络算法作为融合算法的一个子算法,并通过实际数据验证算法具有较高的检测率和较低的误报率。其次,本文提出了基于D-S证据理论的融合事件检测算法,将三个单一子算法的检测结果利用D-S证据理论进行有效的融合,论文对D-S证据理论的融合规则、决策规则进行了详细的说明。最后,为了验证算法的有效性,本文采用北京市快速路的交通流数据进行算法的验证。通过实例验证,本文提出的融合事件检测算法在检测性能上优于三种事件检测子算法,尤其在降低误报率方面该融合算法体现出了较高的检测性能。