虽然ITS的研究对象是交通问题，但ITS研究开发所利用的工具不仅仅是传统的交通工程理论，还包括所有相关的高新技术。
这些技术成为ITS中应用的关键技术，共同构成了ITS的专业技术基础。ITS的核心是交通的信息化，在ITS中各类信息系统的重要作用不可言喻。从信息的采集到应用这一整个环节需要各种学科的支撑。ITS这种多学科交叉的特点，使得它的研究开发涉及的相关专业技术包括信息技术、计算机技术、通信技术、多媒体技术、自控制技术等。下面将从信息的采集、信息的流动和信息的应用的角度对ITS的关键技术进行介绍。
有人工记数法、试验车移动调查法、摄影法、车辆检测器测定法、GPS浮动车法、手机定位法、遥感图像处理等，可以归纳为非自动采集技术和自动采集技术两类。
ITS中由于对交通信息获取实时性、大范围、准确性等有较高的要求，因此通常都采用自动采集技术进行交通信息的采集。
根据交通采集信息方式的不同，交通信息自动采集技术分为路基型交通信息采集技术、车基型交通信息采集技术、空基型交通信息采集技术。
目前常用的路基型交通信息采集技术有感应线圈检测器、超声波检测器、磁力检测器、红外线检测器、微波雷达检测器、视频检测器、道路管检测器、声学检测器等检测器法以及车辆牌照自动匹配法、车辆自动识别法等。
目前使用最为广泛的交通流量检测装置，安装为地埋型。利用埋设在车道下的环形线圈对通过线圈或存在于线圈上的车辆引起电磁感应的变化进行处理而达到检测目的。
通过接收由超声波发生器发射的超声波束和车辆反射的超声回波来检测车辆。由车道上方的超声波探头向下发射一束超声波，车辆通过这些波束时，引起波束反射回发送部件，通过判断信号与原反射回波信号在时间上的差异来检测车辆数和车辆类型。
通过检测磁场强度的异常来确定车辆出现，属于被动接收设备，采用地埋型安装。将高导磁材料绕上线圈，用绝缘管封装埋设在车道下面来感应车辆，当车辆靠近或通过线圈时，穿过线圈的磁场发生变化，这样即可检测车辆的信息。
包括主动式红外线检测器和被动式红外线检测器，采用非地埋式安装。主动式红外线检测器中，用于测量车辆出现等交通参数。被动式红外线检测器检测器检测范围内的车辆、路面及其它物体自身散发的红外线和它们反射的来自太阳的红外线。
分为连续波多普勒雷达和调频连续波雷达。微波雷达检测器可通过发射不同的雷达波的波形获取交通参数，为非地埋式安装，可安装在单车道中央的上方以检测该车道的交通参数，还可在多车道道路的路边安装以测量多条车道上车辆的交通参数。
视频图像处理技术是将一段道路的交通状况摄成图像，并将原有的道路和路旁景物图像迭加在图像上而检测出交通流量和速度的新兴技术，能提供道路上的交通状况数据。
适用于交通量不大情况下的短期交通数据的采集。道路管检测器埋设在车道下方，沿道路横向布置。
检测来自车辆内部和车辆轮胎与地面接触等多个来源的声音信号，可检测车辆通过、车辆出现及车速等交通参数。
车基型交通信息采集技术包括基于GPS浮动车的交通信息采集技术和基于手机定位的交通信息采集技术。
具体的方法是在车辆上装备GPS接收装置，以一定的采样时间间隔记录车辆的三维位置坐标和时间数据，这些数据传入计算机后与地理信息系统的电子地图结合，经过重叠分析计算出车辆的瞬时速度及通过特定路段的行程时间和行程速度指标。若给定的时段有多辆车经过特定路段，还可以得到该路段的平均行程时间和平均行程速度。
通过车辆内部的手机，利用无线定位技术探测车辆的位置，从而获得交通信息。除了可以采集行程时间和车速等交通信息，还可以进行出行OD数据的采集。
同时，利用车辆上手机沿路基站发生切换（Handover）的信息，可估算出路段的行程车速。切换是指在通话过程中，为了保持通话的连续性，当手机的当前服务基站信号强度衰减到一定程度时，手机选择新的基站作为当前服务基站的过程。
研究主要集中于遥感技术，通过高空摄影技术，捕捉地面发来的各种波段的光子形成不同种类的图像。遥感数据可分为遥感卫星数据、临近空间数据和航空数据。
数字图像灰度是计算机进行图像处理的基础，计算机对图像进行处理实际上就是对图像的灰度数据进行处理。
图像增强处理是数字图像处理的基本方法之一，目的是突出需要的信息，弱化或消除不需要的信息，即干扰信息。
道路上的车辆信息使得道路的颜色特征不是很均匀，所以需要对图像进行去噪处理。去噪算法多种多样，如中值滤波、均值滤波、小波变换去噪等等。
城市遥感图像中，异物同谱的现象很普遍，因此可以应用数学形态学，根据这些干扰信息的形态特征选取合适的结构元素，对图像进行适当的形态学运算处理，识别出干扰信息，进而去除它们。
最后，需要对过滤出道路的遥感图像进行二值化分割，即把灰度图像转化为二值图像。
遥感图像中地物信息识别结束以后，往往要建立相应的地理信息数据库，需要对图像进行细化操作。
交通信息的种类和采集形式各不相同，由于种种误差的存在，在进一步处理和使用这些数据之前，首先必须对其进行检索，排除错误数据。此外在实际的数据采集中，由于检测器故障、天气状况或通信系统故障等原因所造成的数据缺失，也应采用一定的技术方法对其进行修复或提供代替数据。以上过程称之为交通信息预处理。
预处理是交通信息处理必不可少的前置工作，主要包括异常交通数据处理和缺失数据处理。
方法主要有阈值法、交通流机理法、置信距离检测法、格拉布斯统计法、有序样本聚类算法等。
采用阈值法和交通流机理法结合的方法处理后的数据足以满足下一步处理（如数据融合）所需的数据精度，该方法能够根据交通流的实际情况判断采集来的数据是否合理，是简单常用的方法。
置信距离检验法用来判断来自于同一断面的多传感器信息是否可用于融合，排除大误差值，以极大限度地提高融合后数据的精度。
格拉布斯准则是建立在统计理论基础上的较为合理的判断方法。但在做统计学处理时，值的选取带有一定的主观因素，容易导致误判，所以该方法不是最佳的。
采用有序样本聚类算法时可以把一天的流量曲线、占有率曲线和速度曲线分成许多小的具有相同交通特性的时间段，然后在这些小的时间段中根据其交通特点来定位隐含的错误或异常数据，该方法在实际计算中所需循环次数随着数据总数和分割种数成阶乘地增长，所以给计算机的实现造成很大难度。
方法主要有历史均值法、车道比值法、时间序列法、自相关分析方法、遗传算法等。
历史均值法直接采用或者按照比例采用历史上相应时刻的值代替缺失数据，但是如果交通状况发生了变化，将大大降低其估计精度。
车道比值法是根据历史统计的车道之间的流量比值，对缺失的数据进行估计，结合历史统计规律和当前流量数据，精度比较高。
时间数列法是把当前采集的交通变量看作时间序列，并结合历史数据对缺失的数据进行预测估计。
自相关分析是以自相关系数测量时间序列中各元素之间相关关系的方法，再根据此相关关系填补缺失数据。
基于遗传算法的组合模型综合利用各种单一算法的估计结果，然后加权平均，其中最优权的确定利用遗传算法，组合方法在大多数情况下比使用单一算法要更精确。
但因其需要利用各种单一算法的估计结果，计算复杂且麻烦，所以在精度要求不是很高的情况下一般不采用该方法。
交通信息融合，又称交通数据融合，是指多传感器的数据在一定准则下加以自动分析、综合以完成所需的决策和评估而进行的信息处理过程。
信息融合技术的最大优势在于它能合理协调多源数据，并充分综合有用信息，从而提高在多变环境中正确决策的能力。
基于该信息处理技术的特点和智能运输系统的信息需求，信息融合技术已经在ITS的信息处理过程中扮演越来越重要的角色，它为交通信息加工和处理提供了一种很好的方法。
根据数据抽象的三个层次，信息融合技术在ITS中的应用可分为三级：检测级交通信息的融合、特征级交通信息的融合和决策级交通信息的融合。
又称检测级、像素级，是指直接在采集到的原始数据层上进行融合，在各种传感器的原始测报未经处理之前就进行数据的综合和分析，保证基础交通参数的准确与可靠性。
同一地点、同一时刻多传感器交通参数融合问题：人工神经网络方法、统计分析方法
又称特征级，是指先对来自传感器的原始信息进行特征提取，然后对特征信息进行综合分析和处理。利用上一层次融合之后的准确、可靠的基础交通参数，融合出交通状态信息，为交通管理者和交通参与者提供更有决策价值的交通信息。
需要注意的是，道路交通状态是一个模糊的概念，有必要对它进行量化处理，例如模糊逻辑允许交通状况被定义成“不拥挤”、“拥挤”、“小事故”、“大事故”，对应于4个数值区间。
信息融合技术的三个层次均有自己不同的应用。而信息融合本身作为一种数据处理技术，涉及到许多学科和技术的应用。下面简要介绍几种信息融合的方法。
人工智能方法又分为两种：逻辑推理方法和学习方法。与概率统计有关的方法包括：估计理论、卡尔曼滤波、假设检验、贝叶斯方法、统计决策理论以及其他变形的方法。概率统计方法可以在融合的各个层次上使用。常用的逻辑推理方法包括概率推理、证据推理、模糊推理和产生式规则等。常用的学习方法包括神经网络、映射学习方法、数据挖掘等。
是统计学方法的一种。经典统计学基于总体信息和样本信息进行统计推断。贝叶斯估计基于总体信息、样本信息和先验信息进行统计和推理。重视总体信息和样本信息的同时，还注意先验信息的收集、挖掘和加工，使其数量化，形成先验分布参加到统计推断中来，提高统计推断的质量。
Dempster-Shafer证据推理是贝叶斯方法的扩展。在贝叶斯方法中，所有缺乏信息的前提环境中的特征指定为一个等价的先验概率。证据推理可避免这一缺点。
具有分布并行处理、非线性映射、自适应学习、较强的鲁棒性和容错性等特性，在很多方面都有广泛的应用。
基于神经网络的多源信息集成与融合有如下特点：具有统一的内部知识表示形式；可将知识规则转换成数字形式，便于建立知识库；利用外部环境的信息，便于实现知识的自动获取及进行联想推理；能够将不确定环境的复杂关系，经过学习推理，融合为系统能理解的准确信号。由于神经网络具有大规模并行处理信息的能力，使得系统信息处理速度很快。
基本思想是把普通集合中的绝对隶属关系灵活化，使元素对集合的隶属度从原来只能取{0，1}中的值扩充到可以取[0，1]区间中的任一数值，很适合于用来对传感器信息的不确定性进行描述和处理。
基于模糊逻辑理论的信息融合方法可以将通常以概率密度函数或模糊关系函数形式给出的不同检测器的评价指标变换为单值评价指标，该指标不仅能反映每一种检测器所提供的信息，而且能反映从单个传感器无法得到的知识。
粗糙集理论在多源数据分析中解决的基本问题包括发现属性间的依赖关系、约简冗余属性与对象、寻求最小属性子集以及生成决策规则等等。粗糙集与其他不确定性问题理论的最显著区别是无需提供任何先验知识，而是从给定问题的描述集合直接出发，找出问题的内在规律。常用来对目标进行定性分析。
采用由状态方程和观测方程组成的线性随机系统的状态空间模型来描述滤波器，并利用状态方程的递推性，按线性无偏最小均方误差估计准则，采用一套递推算法对该滤波器的状态变量作最佳估计，从而求得滤掉噪声后有用信号的最佳估计。
卡尔曼滤波用于实时融合动态的低层次冗余多源数据，用测量模型的统计特性递推决定统计意义下的最优融合数据估计。卡尔曼滤波的递推特性使得系统数据处理不需要大量的数据存贮和计算。
调频广播是以调频方式进行音频信号传输的，是高频振荡频率随音频信号幅度而变化的广播技术。
由交通部门与广播电台联合打造的调频广播台不是传统意义的广播，而是跨行业，利用“多路段、差异化、定制化插播”技术，实现基于智能位置信息的差异化信息服务，是对普通调频同步广播系统的创新应用。它具有紧急广播和数据推送功能，可全面提升现有道路网络的信息服务水平和效率，提高应对公路突发事件和应急处置能力。
目前，世界上主要国家已经完成第4代移动通信系统的部署，并开始部署和商用第5代移动通信系统。相比前3代移动通信系统，以LTE为代表的第4代移动通信系统（4G）能够在ITS中极大地提高信息的传输效率，使得多节点的交互更具有实用性。
如与不同城市ITS之间的交互、车与车之间的交互、不同种类的信息平台之间交互等。通过这些交互，使得车辆在出行前可以选择更为合理的出行路线，在出行中也可以合理规避可能遇到的交通堵塞，当车辆遇到交通堵塞时可以主动上传相关路况信息。此外还可为物流运输企业提供车辆监测等服务。
4G视频技术可以利用高带宽的无线接入在任一地点上传和接受图像。这样对于一般性的车辆事故，交警部门可以通过4G远程视频的方式来完成事故现场的勘察工作。这样就可以快速处理交通事故，及时解决事发路段的交通拥堵状况，并节约交管部门成本。
即将投入使用的第5代移动通信系统（5G）则更加全面考虑多种场景与各种行业的应用需求，如移动互联网、虚拟现实/增强现实、物联网、车联网、工业互联网等将会是5G的热点应用领域。
作为专门针对车间通信的协议，LTE-V被称为是影响车联网“连接”的起始点。目前的LTE-V版本属于4.5G技术，未来可以平滑演进到5G。LTE-V是面向智能交通和车联网应用、基于LTE系统的演进技术，包括LTE-V-Cell和LTE-V-Direct两个工作模式。
通俗来讲，LTE-V-Cell要借助已有的蜂窝网络，支持大带宽、大覆盖通信，满足Telematics应用需求；LTE-V-Direct可以独立于蜂窝网络，实现车辆与周边环境节点低时延、高可靠的直接通信，满足行车安全需求。后者能够将车辆感知范围扩展到数百米，这与目前已有的其他车辆感知系统如雷达、光学摄像头的探测范围相比有很大优势，借助融合信息处理技术能够有效提升行车安全和交通效率问题。
专用短程移动通信（Dedicated Short Range Communications，简称DSRC）是一种无线通信系统，它是将数字信号调制在高频副载波上，再以此搭载有信号的副载波调制到频率、幅值固定的厘米波上，由天馈线在路面通信站和运动车辆之间来回传播。
DSRC是ITS的基础，通过信息的双向传输将车辆和道路有机地连接起来，主要是用来控制车辆运动和征收通行费。完成这些工作都需要路侧固定通信站与运动车辆多次交流数据，只有高可靠性的移动通信才能满足这些要求。
短距离信标可以提供短程通信，并可在有限的频谱上以高速转发数据。信标可以用于车辆定位和导航、电子收费、车辆自动识别、商业车辆运营、交通管理和车-车的相互通信。
当一辆配置完备的车辆经过通信信标时，就可以通过信标向中心主机发送测得的行程时间和信号灯处的等待时间。同时，它可从信标接收到返回的相关定位和引导信息，如图所示。
DSRC协议是DSRC的基础，美国、欧盟、日本均建立了自己的DSRC标准，目前国际标准化组织尚未制定出完整的DSRC国际标准。但资料表明基于5.8gHz的DSRC国际统一标准将成为必然。DSRC标准可以分为3个层次：物理层、数据链路层和应用层。
物理层（Physical Layer）：规定了机械、电器、功能和过程的参数，以激活、保持和释放通信系统之间的物理连接。
数据链路层（Data Link Layer）：制定了媒介访问和逻辑链路控制方法，定义了进入共享物理媒介、寻址和出错控制的操作。
应用层（Application Layer）：提供了一些DSRC应用的基础性工具。应用层中的过程可以直接使用这些工具。另外，应用层还提供了支持同时多请求的功能。
无线射频识别（Radio Frequency Identification，简称RFID）是一种非接触式的自动识别技术。它通过射频信号自动识别目标对象并获取相关数据，无须人工干预，可工作于各种恶劣环境。RFID技术可识别高速运动物体并可同时识别多个标签，操作快捷方便。RFID系统是一种简单的无线系统，只有两个基本器件，该系统可用于控制、检测和跟踪物体。
①标签（Tag）：由耦合元件及芯片组成，每个标签具有唯一的电子编码，附着在物体上标识目标对象。每个物体均具有唯一的标签，相当于人的身份证。
②识别器（Reader）：读取（有时还可以写入）标签信息的设备，当装有标签的物体通过识别器时，及时读出标签的ID信息，可设计为手持式或固定式。
标签进入磁场后，接收识别器发出的射频信号，凭借感应电流所获得的能量发送出存储在标签芯片中的产品信息，或者标签主动发送某一频率的信号。识别器读取信息并解码后，送至后台服务器进行有关数据处理。
一套完整的RFID系统，由电子标签、识别器、应用软件3部分组成。识别器发射某一特定频率的无线电波能量给标签，用以驱动标签电路将内部的数据送出，此时识别器便依序接收解读数据，发送给应用程序做相应的处理。
①不停车收费。RFID在路费征稽、高速公路或各种停车场收费中的应用体现为不停车收费。利这样可以最大限度地缓解收费站、停车场出口等因收费效率低而引起的交通堵塞，进而提高收费车道的通行能力、达到节约能源、保护环境的目的。
②交通意外救援和特殊车辆监控。通常在主干道上、各高速公路出入口及交叉路口设立RFID信息采集点。当车辆通过时，识别器得到通过车辆的ID及经过时间，并形成记录。这样便可以准确知道车辆的行驶路线以及大概位置。另外，根据各RFID信息采集点采集的车辆通过信息，大大方便了交通事故逃逸车辆的排查和跟踪工作。
③交通流检测及交通违章取证。目前，常用的道路交通流检测一般为线圈车辆检测器和视频车辆检测器。前者技术成熟精度较高，但安装和维护较困难，后者虽然安装和维护对道路交通影响较小，但在检测精度以及恶劣天气下的表现还需提高。采用RFID的交通流检测系统，具有精度高、受环境影响小、能够识别车型、安装维护较方便等优点，可以为交通管理部门提供较为准确的数据。同时通过在关键路口设置识别器，可实现对于车辆冲红灯或禁令的违章取证。