大数据和云计算技术的迅速发展,为海量数据的存储和查询在关系数据库外提供了新的解决思路。面对海量数据的处理,传统的关系数据库由于其处理能力和扩展性不足限制了其使用。在智能交通领域,各种监测数据已呈现海量增长的趋势,使用传统的关系数据库在处理海量交通数据时,暴露了许多问题,比如高速实时数据流的写入性能不足,以及在千万级甚至数十亿级别的数据规模上的查询效率低下等一些问题。作为目前大数据处理技术事实上的标准,Hadoop/MapReduce技术被各大公司用来处理各种各样的大数据相关业务需求场景。而HBase作为Hadoop之上的分布式数据库,在处理海量数据时有先天优势,底层既有HDFS作为其存储层,又有MapReduce计算框架为其提供高效的并行化计算能力,具有高可靠可高可用等特征。为解决智能交通应用中交通流数据在基于传统关系型数据库系统处理时遇到的性能瓶颈,本文采用HBase作为交通流数据的存储引擎,并在此基础上对其存储和查询问题进行研究。主要研究工作如下：1.首先对本文使用到的相关技术进行深入学习和分析,重点对HBase的架构,数据模型和其轻量级协处理器计算框架进行了深入研究,并在其数据模型基础上设计以HBase复合行键为中心的交通流数据存储模型。2.提出了基于HBase的实时交通流存储系统,通过对多源交通流数据的存储进行分层架构设计,由前端存储预处理层,数据缓冲区,以及写入模块组成整个实时存储系统,通过多层协作,数据缓存,并设计优化的复合行键,提高了交通流数据的实时写入能力。3.结合实际的业务需求,通过对非行键数据建立辅助索引,提高了非行键上数据的查询效率,并引入SQL解析模块,通过对SQL语句进行优化解析,由相应的执行引擎执行查询操作,方便进行查询的同时也能提高查询效率。4.最后对整个系统进行实验验证,通过相关实验分析及对比,本文的实时存储方案及辅助索引和SQL解析模块能满足实际需要。