近年来,我国汽车市场的潜力持续释放,使得我国交通环境趋于恶化。交通秩序混乱,交通事故频发等问题日益严重。汽车持有量的持续加大对于还在研究和改进阶段的智能交通监控系统造成了极大的考验。传统的智能交通监控系统大多只具有视频数据的记录能力,而不具有视频目标检测跟踪以及视频事件行为的分析理解能力。对于这种传统的视频监控系统,存在以下几点弊端:通过人工进行查看观测,需要耗费大量的人力财力,并且效率低下;无法对每个异常情况都观察到位,会出现判断不精确以及漏检的情况;实时性较差,无法预测到突发性事件。所以基于监控视频图像处理的车辆检测、跟踪及异常行为识别的研究,对于提高交通管理手段、保障公路行车安全具有十分重要的意义。本文从实际应用角度出发,以监控视频序列为研究对象,从车道线检测,车辆目标检测,多车辆目标跟踪和异常行为识别等几个关键技术着手进行研究。结合车辆检测、车辆跟踪结果,配合车道线的道路信息,设计了停车、逆行、违章变道这三种异常行为事件自动检测算法。具体的研究主要包括以下几个方面的内容:(1)设计了一种基于Sobel边缘特征和HSV颜色特征相结合的预处理方法,粗定位车道线的位置,再利用Hough变换对当前粗定位的车道线进行提取以获得准确车道线位置。(2)设计了一种基于YOLOv3的车辆检测方法。在车辆检测方面,分别采用基于传统算法和基于深度学习的方法实验对比,最后选取检测结果相对准确的YOLOv3算法来实现车辆的检测,并以其得到的检测结果作为后续多车辆基于检测的跟踪(Tracking-by-Detection,TBD)框架的输入响应。(3)设计了一种基于马尔科夫决策过程(Markov Decision Process,MDP)的多车辆目标跟踪方法。采用TBD跟踪框架,以车辆目标检测结果为输入激励,对每一个车辆目标采取基于决策的马尔科夫过程建立一个MDP模型以实现对多车辆目标的准确跟踪。(4)最后根据车辆检测跟踪的结果,画出多车辆运动轨迹,结合轨迹参数特征加以建模分析,建立起停车、逆行、违章变道这三种异常行为事件的判别模型。实验结果表明:本文设计选定的算法可以对监控视频中的车辆准确检测并跟踪,结合行驶轨迹及车道线,能有效的对视频中存在的车辆异常行为进行判别。