随着社会经济快速发展,交通在人类经济、社会活动中的地位日益显著。交通管理的层次、质量更是与人们生活密切相关,提高交通管理水平的重要措施就是采用智能交通系统,即ITS。基于视频的车辆检测、跟踪和分类技术的发展为ITS中动态交通信息的采集与分析提供了一条很好的途径,这些技术可以广泛地应用于车辆收费、道路监控、大型停车场以及提高公路利用效率等领域。本文对基于交通视频的车辆检测、跟踪及分类技术进行了深研究,并有针对性地提出了若干算法和技术方案。本文主要研究工作如下:(1)通过对现有检测方法和背景模型的分析,提出了基于帧间差分的统计背景重构算法和基于信息融合的背景自适应更新算法。(2)针对现有跟踪算法对运动车辆和背景区分度不高,在车辆出现尺度变化、旋转、遮挡、噪声干扰等情况下跟踪效果不好的问题,提出一种基于SIFT特征度量的SIFT-Mean Shift目标跟踪算法。(3)根据本文的车辆分类标准对车辆特征进行了选择,对特征的可区别性和有效性进行了论证,提出一种车辆分阶段分类模型。并利用运动目标的动态特征,提出一种实现对车辆目标识别的方法。(4)针对不同分类阶段的特点,设计了相应的分类模型。在第一阶段,利用改进的遗传算法同时对神经网络的结构和权值进行优化,避免了神经网络陷入局部最优的可能。在第二阶段,选择岭形分布函数建立了车辆大小隶属函数的初始模型,并用遗传算法对其优化,根据优化后的隶属函数设计了相应的模糊神经网络,解决了车辆大小概念模糊、分类效果差的问题。文中还对提出的算法和技术方案进行了实验,结果表明本文提出的算法和技术方案是行之有效的。