为了实时识别快速路交织区拥堵瓶颈的形成及其诱发因素，基于无人机航空视频构建了车辆轨迹数据，提出了一种结合交通流不稳定性分析的交织区拥堵识别方法。识别方法分为三个阶段：车辆轨迹提取、干扰感知模型和拥堵风险指数构建。首先，通过YOLO和v4（Version4号，你只看一次）的网络训练，利用空中小目标重量来检测头顶车辆，并关联外观和运动特征来跟踪车辆轨迹，从而在无人机空中视频中提取出精细的车辆轨迹。然后，通过提取车辆的微观速度、车道变化和冲突信息，建立了车辆速度扰动和车道变化交织扰动的感知模型。最后，结合干扰信息和平均车速，利用熵值法构建标准化的拥堵风险指数，并根据交织流的拥堵风险指数识别拥堵。本文收集广州大桥数据，用于案例分析和测试验证。结果表明，在航空场景试验中，学习小目标特征的网络的误检率和漏检率均小于5%，提取的车辆轨迹连续稳定。在交织区拥堵识别与评价中，该方法的准确率为97.85%，明显优于基本参数识别方法，且在各路段具有较高的识别精度和算法鲁棒性。与平均速度指数相比，提出的拥堵风险指数能更精细、更敏感地反映短期和局部的拥堵情况，并能从平均速度、个别速度差和换道交织三个维度识别各种因素造成的高山交通瓶颈。研究成果可为城市重点路段的交通诱导和优化提供技术依据。