基于机器视觉的智能交通监控系统（ITS）是缓解甚至解决交通拥堵、交通事件的主要应用措施，但是目前主要的应用系统在交通基础信息内部传输方式、控制策略等方面的都有一定的不足，使得信息传输的实时性不够，或者监控中心无法及时更新检测单元相关参数。另一方面，系统后台通用的交通参数提取算法对交通状态的适应能力较差，一旦发生拥堵，算法有效性急剧下降；交通状态识别主要以固定的参数阈值为标准估计拥挤度，或将交通状态化为若干类，没有全面考虑大量的历史数据，不能反映交通参与者的总体感受以及路网实际状况。针对上述问题，本研究在信息物理网络系统体系下，综合计算、通信、反馈控制技术，设计与实现了一种通过道路交通参数提取、交通事件初步自动预警、交通状态量化识别，以及视频传输反馈控制的事故检测方法，完成对城市快速路交通状态的实时监控。本系统主要通过设计以数据流为主的内部信息传输方式，以及基于异常视频流传输与反馈控制的事件检测控制策略，优化了系统模型及工作流程。然后，分别对系统后台的基于机器视觉的交通参数提取、交通事件检测与交通状态量化识别三大功能算法进行了现状研究、应用设计与实现。交通参数自动提取部分，通过改进基于时空描述图像（TSI）的交通参数提取法，提出了基于车辆存在检测时空描述图像（PVI）和车辆跟踪时空描述图像（EPI）两种TSI图的车流量、平均速度、时间占有率的实时提取方法。首先，改进与优化了PVI与EPI图像获取过程并采用CM聚类自适应二值化方法处理构建的TSI图；然后，针对同一监控路段安装多个摄像头的现状，优化摄像机权重计算方法，改进了基于概率融合图（PFM）的多视觉信息融合方法，以分别融合PVI与EPI二值化图像；最后，基于连通体标记法，设计了比较合理且简单的基于PVI与EPI二值化图像的交通参数提取法。以北京市劲松桥附近路段为研究对象，证明了该方法的交通状态适应性与实时性。交通事件检测部分，提出了基于时空信息的单截面交通事件检测法。针对该方法，提出用最小风险的近似正态分布贝叶斯（Bayesian）决策法自适应的训练阈值；充分利用了时间和空间信息，避免了交通异常的漏检。交通状态量化识别部分，采用基于流畅、交通流量较大、拥堵三分类的交通状态识别模型，通过估计当前交通参数与三种典型状态参数标准的关系，获取连续取值的状态量化识别方法。基于该三分类模型，提出了改进的FCM算法与灰度综合评价法相结合的算法；其中，训练阶段，提出了用PSO-FCM算法无监督的训练聚类中心矩阵，该算法利用粒子群算法（PSO）自适应选择模糊指数，并考虑了交通参数各分量的权重以改进FCM算法的目标函数；实时识别阶段，利用灰度综合评价法，输出为一定范围内的连续值。以大量交通参数历史样本数据为基础，进行模型训练；然后，对连续时间的交通参数序列进行状态量化识别的仿真实验与分析，证明了提出方法可以反映交通的时间渐变趋势，并且对道路的自适应能力、识别准确性与有效性都较好。最后，设计与实现了基于视觉的交通监控MFC应用软件系统，由视频图像处理器与交通监控客户端两个MFC应用软件组成。以北京市劲松桥附近快速路路段视频流为例，详细描述的系统功能实现方式及过程，通过功能演示，搭建的软件应用系统基本上实现了快速路实时交通监控系统的所有功能。