针对现有模型对交通流数据中耦合的多尺度时空依赖与周期性规律挖掘不充分的问题，提出一种基于多尺度时空频融合的自监督交通流预测模型(Multi-scale Spatio-Temporal-Frequency Fused Self-supervised Framework，MSTF-SSL)。首先在架构层面设计多尺度时空频编码器，构建了时空频融合的特征提取机制。在时空维度，通过通道级门控机制自适应地融合空洞卷积与Transformer以捕捉局部和全局时间依赖，利用多尺度图卷积聚合空间特征。在频域维度，在特征层面嵌入自适应残差滤波模块进行信号提纯。此外，在自监督对比学习中引入频域一致性损失，以约束模型学习鲁棒的周期性表示。在四个公开数据集上的实验表明，该模型能有效融合多尺度时空信息与频域特征，与基线模型ST-SSL相比，在NYCBike1数据集上，MSTF-SSL的流出量MAE、MAPE、RMSE分别降低3.24%、5.85%和4.42%；在NYCTaxi数据集上，分别降低3.81%、3.39% 和7.46%，有效提升交通流预测的精度与鲁棒性。