随着高级辅助驾驶的发展,对低延迟、数据传输量小等需求不断提高,智能交通领域正面临越来越多的挑战。事件相机的出现,为目前机器人、车辆辅助驾驶以及相关人工智能方面的应用提供了一种全新的解决方案。论文以车道线、行人的动作作为研究对象,从事件流数据的角度出发,设计和实现交通目标检测算法,目的是提高算法的识别效率和检测质量。本论文研究的主要内容包括:（1）通过查阅相关文献了解车道线检测、动作识别的国内外研究现状,并且综述事件流在交通目标检测方面的研究与应用。根据事件流数据的特性,提出三种转换事件帧的编码方式。（2）车道线检测方法研究对比分析。首先介绍基于霍夫变换和基于特征点聚类的传统车道线检测方法,针对传统方法存在计算效率不高、鲁棒性低的问题,提出一种基于AER（Address Event Representative）数据的车道线检测方法,并设计相应的对比实验进行验证,表明该方法在四种场景下综合检测率97.05%和平均每帧运行时间18.24毫秒。（3）行人的动作识别方法的分析研究。针对传统形状特征存在识别准确率不高的问题,提出基于空间多特征的动作识别方法,测试表明加入三种运动特征后,相比于单一形状特征的准确率有所提高;制作人体动作数据训练集,设计一种直接处理事件流数据的网络结构,进行识别模型训练,该方法对九种动作的识别准确率为91.3%。（4）通过对车道线检测、动作识别方法的定性和定量分析,本文充分利用高时间分辨率的稀疏事件流数据,在保证高准确率的前提下,所提出方法的实时性更优于基于传统相机的相关算法。