In today's urban life, traffic jam is one of the painful situations for traffic participants in general and drivers in particular. In recent years, many scientific and technological methods have been proposed to improve this problem during peak hours. In this paper, the author proposes a solution to identify traffic jams with the method of using the view of many cameras at intersections in the city to recognize the number and volume of traffic moving at the time and from that predicts traffic jams or not. The method proposes a combination of deep learning and traditional feature extraction methods such as SIFT (Scale-Invariant Feature Transform- SIFT). In which ScaledYOLOv4 (You Only Look Once) is used to detect vehicles such as motorbikes and cars. Then the tracking method calculates the moving speed of the vehicles in the crowd using feature matching such as SURF, SIFT is applied. The results show that the proposed method gives a good result in detecting traffic jams.Trong cuộc sống đô thị hiện nay kẹt xe là một trong những tình trạng nhức nhối đối với những người tham gia giao thông nói chung và những cánh tài xế nói riêng. Những năm gần đây đã có nhiều phương pháp khoa học công nghệ được đề xuất nhằm cải thiện vấn đề trên trong giờ cao điểm. Trong bài báo này giải pháp nhận diện kẹt xe được tác giả đề xuất với phương pháp sử dụng góc nhìn của nhiều camera tại các giao lộ trên địa bàn thành phố để nhận biết số lượng và lưu lượng xe di chuyển tại thời điểm và từ đó đưa ra dự đoán có kẹt xe hay không. Phương pháp đề xuất sự kết hợp giữa phương pháp học sâu và các phương pháp trích xuất đặc trưng truyền thống như SIFT (Scale-Invari ant Feature Transform- SIFT). Trong đó ScaledYOLOv4 (You Only Look Once) được sử dụng để phát hiện các phương tiện như xe máy, xe con. Sau đó phương pháp theo dõi tính tốc độ di chuyển và lưu lượng của các xe trong đám đông sử dụng feature matching như SURF, SIFT được áp dụng. Kết quả cho thấy phương pháp đề xuất cho ra một kết quả tốt trong việc nhận diện kẹt xe.