交通信息采集是ITS至关重要的基础环节，而运动车辆车型智能识别是其中的核心技术之一。在现有的车型识别技术中，感应线圈检测和视频检测是最具研究价值和应用前景的检测方式。本文选择了基于感应线圈和视频的车型识别作为主要研究对象，围绕其现有技术存在的不足展开研究探索，提出富有创造性和实用性的解决方案和算法。 感应线圈是应用最为广泛的交通检测技术，目前该技术在车流量检测应用相当成熟，但使用其进行车型识别的研究还很有限，亟待解决的技术难题较多。就感应线圈存在的基频漂移问题，本文提出了基于滚动时间窗聚类分析的基频漂移抑制方法，该算法能有效地辨别线圈感应信号中的基频漂移信号和车辆感应信号，通过对基频漂移信号的抑制，提取出正确的车辆感应信号。针对实际应用中的相邻车道车辆信号干扰导致的车型识别错误问题，本文研究了基于分段序列相似度的相邻车道线圈感应数据分析方法，通过对相邻两车道的感应数据联合分析，排除了空间磁场的互感干扰，提高了车型识别数据的准确性。而一维车型数据特征提取的关键是如何科学定义特征问题，本文以感应曲线波峰数特征为例，提出一种基于信息熵阈值选取的波峰数特征定义方法，增强了车辆感应曲线特征的有效性。 视频检测被公认为最有应用前景的交通检测技术，基于视频的车型智能识别技术研究具有很高的学术价值。其中，环境适应性、抗干扰能力、算法实时性等是该领域的研究焦点。本文通过对传统Kalman滤波的背景重建算法进行分析，提出了相应的改进方法，实验证明该改进算法是有效的。运动车辆阴影是视频车型识别的主要障碍，鉴于目前最为常用的基于颜色的阴影检测方法的局限性，提出了一种基于SARSA算法和共生灰度矩阵的运动车辆阴影分割方法，实验证明此方法比颜色法更具适用性。考虑到现有的基于视频的车型特征提取算法计算量大问题，文中给出了基于灰度投影的车型特征提取方法，先通过Hough变换对车辆图片进行旋转矫正，然后对矫正后的车辆图像分别进行垂直方向和水平方向的灰度投影，进而可从投影曲线中提取出合适的车型特征。 本文选用了BP神经网络进行车型分类，针对传统BP神经网络的连接机制不完善和梯度下降算法效率低的缺陷，提出了基于条件信息量属性约简和HPSO的改进BP神经网络算法。实验结果表明改进后的BP神经网络在收敛速度和泛化性能均优于传统的BP神经网络算法。 单一信息源容易受外界干扰的影响，为满足ITS对交通信息采集的高精度和高可靠性的要求，本文建立了不同的多源信息融合模型：双感应线圈信息融合的车型识别模型、相邻车道视频信息融合的车型识别模型、基于感应线圈和视频的信息融合的车型识别模型。在此基础上，本文还分别研究了基于改进BP神经网络的特征层融合方法以及基于D-S证据理论的决策层融合方法在车型识别中的应用。