交通图像理解是在交通图像分析的基础上，结合人工智能、神经网络、模糊逻辑以及人类认知学等理论，研究交通图像中各目标的性质及其相互联系，理解场景内容或对象特征的含义，挖掘出新的知识，进而指导和规划交通行为的一门新兴技术。随着我国汽车保有量的迅速增加，交通图像理解技术为智能交通系统的构建提供了强有力的支持。为了克服单一滤波器滤波性能的局限性，同时又要兼顾处理效果和实时性的需求，本文系统地研究了基于组合滤波的交通图像理解的一些关键问题，这些问题相互关联，直接影响到交通图像理解的有效性和实用性，主要研究内容如下：　　（1）由于交通图像在采集过程中难免混入几类不同噪声，影响后续图像理解的进行，而单一滤波器一般在去除某一类特定噪声时效果较好，但是在实际环境中往往要面对多类混合噪声。为了克服单一滤波去噪性能的局限性，本文提出了一种基于Hilbert空间的组合小波交通图像去噪算法。通过研究交通图像的特性，从理论上深入分析了几类小波变换各自的特点及其相互关系，并将独立分量分析理论结合 Hilbert空间的特点，运用到组合滤波后高频系数与低频系数的优化中，大大减少了计算量，加速了收敛速度，使处理耗时达到可以接受的程度，同时提升了去噪效果。　　（2）为了将来自不同摄像头或同一摄像头在不同时间点所摄录的图像进行融合，以得到一个更为完整的图片或场景表达，供特征提取和理解，本文提出了一种新的多分辨率多方向动态模糊滤波融合方法。该方法在面向交通图像融合时可依据场景的不同，选择Curvelet变换或Contourlet变换进行融合滤波。通过构造新的动态模糊成员函数，科学划分多分辨率多方向滤波后的高低频系数，优化高低频系数分布，使用不同的融合规则对高低频系数进行融合处理，尽可能多地保持融合图像的细节。同时通过动态模糊处理使计算量大大降低，使得多分辨率多方向滤波的耗时大为改善，进而推进了交通图像融合处理在实际场合中的应用。　　（3）为实现交通图像轮廓、纹理、颜色和车型等特征的理解，本文提出了一种交通图像特征提取策略。首先设计了一种基于Kalman滤波优化的Snake模型主动轮廓提取算法，将Kalman滤波去优化估计Snake模型的正规化参数λ，实现交通图像轮廓提取，对轮廓内的车体图像进行裁剪即可去除背景干扰。其次，通过纹理相似度和车辆的颜色空间直方图统计，实现相关特征的识别。最后，使用基于参数模型的Kernel PCA对构造好的大巴、小轿车、商务车、面包车、小卡车、小货车这6类车型进行车型识别，获得了较高的查准率和查全率。　　（4）为了实现交通图像理解的决策支持功能，本文针对交通图像所采集的历史信息和实时信息，结合神经网络和Deep Learning理论，提出了一种面向交通图像信息的车辆最优路径挖掘方法，为复杂交通环境下车辆最优路径的挖掘作决策支持。本方法通过综合利用车牌识别所对应的交通管理数据库信息和交通图像车辆特征所提取的信息，构建Deep Learning神经网络对生成的有向图模型挖掘出最优行驶路径供交通指挥者或驾驶人员作决策支持。经实验验证，该方法是有效可行的。　　综上所述，本文针对交通图像理解过程中的交通图像去噪问题，交通图像融合问题、交通图像特征提取和交通图像信息挖掘等关键问题提出了有效的解决方案，对于基于组合滤波的交通图像理解关键技术研究和智能交通系统的构建有一定的理论意义和应用价值。