城市道路的交通参数估计作为交通诱导、自适应式交通控制和事故检测的重要前提,一直是交通领域的研究重点。网联车的出现为交通参数估计的研究带来了新的发展机遇。本文在学习前人研究进展的基础上,基于交通流理论和动态贝叶斯网络分析城市干道交通状态的时空演变过程,提出了网联车环境下估计交通参数的方法。主要工作包括了如下部分:（1）基于交通流理论建立城市干道交通状态时空演变模型。以路段的到达排队车辆数和绿灯时间结束后的剩余排队车辆数作为定义交通状态的两个关键参数,基于交通流理论建模分析含信号交叉口的城市干道网络中路段的交通状态时空演变过程。（2）基于动态贝叶斯网络分析城市干道路段交通状态在时间序列上的概率依赖关系,以及交通状态与网联车轨迹数据的概率相关性。利用耦合隐马尔可夫模型（CHMM）这一特殊的动态贝叶斯网络,分析在给定交通参数下,模型的隐变量（交通状态）和观测量（网联车轨迹数据）的后验概率分布,将交通参数的估计问题转变为CHMM的典型“学习”问题。（3）利用期望最大化（EM）算法估计动态贝叶斯网络中的交通参数。EM算法是解决CHMM的“学习”问题的常用方法。为解决EM算法中第E步骤计算基于观测量和现状参数值下的交通状态后验概率分布最优解析解难以获得的问题,引入了粒子滤波算法,用带有权重的粒子表示网络中的交通状态实例,使用蒙特卡洛模拟近似逼近最优的贝叶斯估计。（4）VISSIM仿真和方法验证。借助VISSIM微观交通仿真软件,搭建含有两个信号交叉口的城市干道网络仿真模型,将经处理的仿真输出车辆轨迹数据作为模拟的网联车轨迹数据,使用本文所提出的方法估计各进口道的交通参数,并与VISSIM仿真中真实的交通参数对比分析,由各参数估计结果估计的MAPE均小于0.22验证了方法的有效性和准确性。同时,研究中还实验了基于不同渗透率下网联车轨迹数据的交通参数估计结果,并分析了其他影响参数估计的敏感性因素。