视频监控中的运动车辆目标跟踪技术研究是智能交通系统（IntelligentTransportation Systems，ITS）的一个非常重要并且具有挑战性的课题。而数字图像处理由于其自身的特点和优势，融合了计算机视觉、模式识别、人工智能、自动控制等诸多领域的先进成果，被越来越多的应用到智能交通系统中。近年来，国内外众多学者对车辆目标跟踪进行了大量的研究，但是由于车辆行驶过程中自身的多变性和复杂的天气条件，使得车辆目标的准确跟踪仍然存在诸多难点，本文针对这些难点问题展开了研究。本文主要围绕“复杂环境下的车辆跟踪”为研究内容，深入研究了车辆自身的复杂变化，包括车辆快速运动、车辆部分甚至全部遮挡、车辆尺度变化、车辆旋转、变形和车辆受相似物干扰等；以及复杂的外部环境，如摄像头移动、抖动和恶劣的雨雪天气等。这些都是在车辆目标跟踪过程中不可避免的因素，只有能在上述“复杂环境下”对车辆实现长期、稳定跟踪的算法才能达到实际的车辆跟踪要求。本文针对上述“复杂环境下”车辆跟踪算法开展了创造性的研究工作，具体实施并完成的研究工作如下：（1）针对车辆在快速运动的过程中，可能造成车辆跟踪失败的问题，研究了mean shift算法对车辆目标进行跟踪的弊端，将卡尔曼滤波方法和mean shift算法相融合进行目标车辆的跟踪。首先通过卡尔曼滤波预测车辆可能位置，进而改变mean shift算法迭代的初始位置，减小mean shift算法的迭代计算次数，提高车辆目标跟踪的准确性。并在这个基础上针对卡尔曼滤波算法中反复运算卡尔曼增益矩阵，定义新的函数，在保证跟踪准确性的前提下，减少算法耗时。试验证明该算法可以对快速运动的车辆进行准确跟踪，并且减少了算法耗时，保证了车辆跟踪的实时性。（2）针对车辆部分甚至全部遮挡，以及易受相似物体干扰和快速运动等难点，提出基于分割补偿的粒子滤波车辆跟踪算法。在车辆发生遮挡或者相似物体干扰时，对目标区域进行分割，并对分割区域进行单独跟踪，将跟踪的分割区域的矢量和做为目标车辆的最终位置。并且针对车辆快速运动的难点，提出粒子补偿算法，使得散布的粒子尽可能多的落在目标所在区域，提高粒子利用效率，增强跟踪准确性，避免了车辆运动速度过快导致的跟踪失败问题。试验结果表明基于分割补偿的粒子滤波算法对车辆跟踪过程中的遮挡、相似物体干扰以及快速运动等情况都有很好的跟踪性能。（3）针对车辆边缘信息提取过程中易受噪声干扰，导致边缘信息提取精度较差的问题，提出基于核概率密度估计和均方误差的边缘检测算法。这个算法利用两种常见的非参数方法，使检测到的目标边缘信息与统计的数据分布假设不相关。试验对比了当前较常用的WMW算法、KS算法和Canny算法，新的算法针对不同噪声（高斯白噪声、椒盐噪声和混合噪声）污染的图像，可以达到参数化边缘检测算法的性能。并且在统计数据偏离分布假设的情况下，该算法依然具有较强的边缘检测能力。试验结果表明，该算法在检测目标边缘信息时具有较强的抗噪声水平。（4）针对长期车辆跟踪过程中，车辆的目标特征和目标尺度变化较大，以及车辆自身的旋转、变形所导致的固定跟踪框和固定车辆目标特征难以适应长期稳定跟踪的问题，提出将图像边界信息和mean shift算法相结合的车辆跟踪算法。利用基于核概率密度估计和均方误差的边缘检测算法提取车辆目标边界信息，进而自适应调整目标跟踪框的大小，并适时更新车辆的目标特征描述，通过meanshift算法对目标进行跟踪。此算法很好的解决了车辆跟踪过程中，由于车辆自身特征改变较大导致的目标特征改变，造成的跟踪准确性不高的问题。实验证明该算法对车辆形态变化，特别是大尺度缩放、旋转，车辆部分甚至全部遮挡都有很好的跟踪准确性，在“复杂环境下”对车辆跟踪时具有非常优秀的车辆跟踪能力。