交通检测器的优化布设问题是运筹学领域长期关注的问题。布设检测器是获取有用交通信息的一种有效手段,但布设成本最小化与获取信息最大化的博弈始终存在。因此,检测器在交通网络中的优化布局是近年来交通网络建模领域的研究热点。相对于其他交通信息来说,OD需求和旅行时间是交通系统中非常重要的两个输入参数,为城市交通规划与管理提供了主要依据。然而在实际生活中,由于天气、高峰期、检测器故障等原因导致OD需求和旅行时间有很多不确定性,而且不同类型检测器的成本、精度及性能是不同的。因此,本文基于复杂环境下OD需求和旅行时间估计的不同目的,分别研究了计数、车辆自动识别（AVI）、移动及固定和移动组合等多种交通检测器的布设优化问题,以获得较为准确的交通信息,相关的模型和算法是运筹学在交通规划与管理交叉应用的体现。具体工作如下:第一章论述了交通检测器布设优化问题的研究背景及意义,阐述了论文的主要研究内容。第二章详细介绍了各种交通检测器的发展现状,并分析不同类型检测器性能的利弊。然后,就本文研究的主题,重点对基于OD估计和旅行时间估计的交通检测器布设的文献进行梳理,指出当前文献研究方法的不足,从而确定论文的研究方向。第三章针对城市路网OD需求估计的不确定性问题,现有文献大都只估计OD需求的均值,不考虑OD需求的随机性。因此,本文建立一个基于OD均值和协方差估计的计数检测器布设模型。首先,分别对OD需求的均值和协方差估计定义新的度量——最大可能绝对误差;接着,从数学上推导这两个度量的上界,来建立同时使这两个上界最小化的双目标优化模型;然后,提出一种求解该模型的代理辅助遗传算法。最后,通过两个不同规模的交通路网验证模型和算法的有效性。第四章在第三章城市路网OD估计的基础上,为进一步保证OD需求的唯一性,建立AVI检测器的布设优化模型,并考虑检测器故障、预算约束等现实因素,实现了唯一确定OD需求的目的。不同于传统方法通过路径流唯一性的过渡,本文利用AVI检测器收集到丰富的交通信息来直接实现OD需求的唯一性。在考虑检测器故障的情况下,利用AVI检测器对车辆的观察顺序,以最少的检测器数量来唯一确定OD需求。此外,在预算约束下,建立一个检测器布设模型来估计OD需求,使得在考虑检测器故障下达到被区分的OD需求的信息价值最大化。同时,设计对应的贪婪启发式算法来解决所提出的两个检测器布设模型。数值实验表明,在不确定检测器故障情况下,本文建立的模型和算法能有效地确定检测器位置,从而识别出OD需求。第五章是将检测器布设的应用背景由三、四两章的城市路网OD估计延伸到高速公路旅行时间估计。针对高速公路上旅行时间具有随机性,现有文献大多采用的固定检测器无法保证采集数据的时效性,因而本文提出了移动检测器的动态布设模型。首先,在高速公路无检测器前提下,将高速公路和观测时间离散化,同时考虑最小化旅行时间估计误差和最大化交通流量,提出移动检测器布设的双目标优化模型。其次,在高速公路已布设固定检测器前提下,动态加布移动检测器,针对不同类型检测器数据的融合问题,提出一种动态自适应BP神经网络群算法（DBPG）。通过引入动态比例因子,使每个BP网络个体的更新既受到自身影响,又受到最优网络个体的影响。并且,每个网络个体对BP网络群学习的贡献是不断调整的。然后,利用DBPG融合得到的多源检测器数据,建立移动检测器和固定检测器的组合布设模型。并设计模拟退火算法求解所提出的两个检测器布设优化模型。实验结果表明,在大多数情况下,移动检测器优于固定检测器,并且两种检测器的组合效果更好。