近年来，在我国某些高速公路路段（特别是长三角、珠三角、京津塘等经济发达、交通繁忙区域的高速公路）由于重载货车运行速度低且相互超车换道，导致大量的交通移动瓶颈发生，造成交通流量未达到设计通行能力却拥挤不堪。　　本文的研究目标是探求高速公路移动瓶颈现象的特征和机理，以揭示移动瓶颈发生时各个交通参数的变化，为降低移动瓶颈的影响、改善交通运行质量提供理论依据。主要工作如下。　　分析了移动瓶颈和固定瓶颈的异同、移动瓶颈的主要影响因素，剖析了移动瓶颈的形成机理。基于移动瓶颈影响效应模型，利用软件进行重载货车移动瓶颈影响效应仿真试验。试验揭示了重载货车不同混入比例的状况下，对全体车辆、小汽车、重载货车的平均速度、平均延误以及整个流量的影响。　　在Newell模型的基础上，提出了考虑多辆前车间速度差影响的多速度差移动瓶颈模型，给出了正常行驶区域和移动瓶颈行驶区域的优化速度函数。同时，优化了Nagatani换道模型，提出更加符合实际交通状况的换道模型。利用元胞自动机和VISSIM分别模拟仿真本文提出的多速度差移动瓶颈模型，绘制和分析时空斑图、交通参数变化曲线图，研究移动瓶颈发生时交通流各参数的变化情况，给出判断移动瓶颈发生的条件。　　基于美国加州大学伯克利分校FSP(The Freeway Service Patrol Project)中部分高速公路路段检测数据库中的数据，验证了用调整后的累计流量曲线判断移动瓶颈的可行性。提出了基于调整后的累计流量曲线和时间占有率曲线判别移动瓶颈的方法。同时，给出了计算背景交通量和背景时间占有率的新的算法。　　依据固定检测器数据采集的特点和交通流特性，选取速度、时间占有率、流量、流量差与速度差之积等四个参数为交通状态的特征向量，构建批处理增量学习的Lagrange支持向量机的移动瓶颈发生判别算法。试验表明，相对于加利福尼亚算法、McMaster算法、模糊数学算法等经典判别算法和神经网络算法、支持向量机算法等人工智能算法，批处理增量学习的Lagrange支持向量机模型对移动瓶颈判断的有效性和可移植性等效果均有明显提高。　　依据固定检测器数据采集的特点和交通流特性，选取移动瓶颈地点上游检测器的速度差、相邻两时段的占有率差、占有率与速度比值、下游检测器的占有率实测值与预测值之比、下游检测器的占有率和流量实测值乘积与占有率和流量预测值乘积之比等五个参数共同组成一个五维的交通状态特征向量，构建批处理增量学习的Lagrange支持向量机的移动瓶颈产生、持续和消散全过程判别模型。试验表明，相对于McMaster算法、神经网络算法、支持向量机算法，批处理增量学习的Lagrange支持向量机模型具有更好的有效性和可移植性等。