本研究方向致力于为智能交通系统的发展提供理论与技术支撑，对接高速公路、城市道路、城市轨道交通等具体的交通应用场景，以大数据、机器学习、深度学习、复杂网络等技术为基础，开展交通态势实时感知、交通需求与流量预测、用户出行行为建模与预测、路网运行仿真推演、交通效率评估与原因分析等研究，服务于交通系统的安全、高效管理与运营，从而为民众提供更便捷的出行服务。
强化学习是近年来机器学习和人工智能领域较为热门的研究方向，采用强化学习的AlphaGo和ChatGPT均取得了瞩目的成就。本研究所将该研究方向与实际应用背景相结合，针对复杂环境下的精细控制和智能决策问题，开展了一系列研究，在兵棋推演环境中采用多智能体强化学习进行智能决策、在仿真环境中采用强化学习实现了控制战斗机平稳飞行和成功降落、在室内环境中采用强化学习对机器人进行自主导航。
随着大数据时代的到来以及大规模计算能力的提升，时间序列大数据分析与挖掘已然成为了最活跃的计算机研究领域之一，在实际应用中促进了医疗、交通、金融等诸多领域的进一步发展。时间序列分析与挖掘作为本研究所的重要研究和应用方向，在时序分类、预测等研究课题上已取得突破性进展。主要的应用场景如下：移动医疗设备的核心算法、基于脑电波的情绪识别、基于深度学习的运动想象、股票时序预测、设备异常检测等方向。
如何通过视觉感知精准快速地获取场景的结构、细节等全方位信息是计算机视觉面临的重大问题，也是跟踪、检测、识别等智能应用的基础，具有重要的研究意义。该方向基于多相机图像、视频等一系列视觉感知设备，着重研究如何对图像进行超分辨、去噪、去雨、去雾、去遮挡、去模糊等、从而更好提取场景信息，从而更好地服务于不同场景中的场景重建、物体检测、识别跟踪等不同应用。
交通领域各类应用、社交网络分析、知识图谱乃至数据库查询优化技术都离不开图数据结构。各类应用生成的图数据的庞大规模是图数据库管理、高效图算法设计和大规模图机器学习面临的主要挑战。该研究方向主要关注大图上的算法分析与优化、图生成模型与生成算法等大图高效算法理论、大图上的图神经网络模型及其在组合优化等理论计算难问题和地图定位等交通领域应用问题的适配与扩展、以及图和多模数据库关键技术优化。本方向的主要研究手段包括算法和模型的理论建模分析、算法设计与优化方法、大数据算法理论等。
软件缺陷无处不在，如何保障软件质量是计算机软件理论和软件工程方向重点关注的问题。本方向目前研究课题集中在软件缺陷的挖掘、软件缺陷的自动修复与自动化测试、深度学习模型的测试与验证等。采用智能化软件工程方法，研究如何全自动地修复程序缺陷，动态或静态地预测、挖掘或定位软件缺陷或漏洞，提出针对深度学习模型的测试和验证方法，以及自动挖掘编译器和操作系统内核的缺陷等。