本文围绕着车辆主动安全中的车辆检测和车辆跟踪技术中面临的一些关键问题展开了深入的研究，并取得了一定的进展，具体包括：在基于车载相机的车辆检测方面，通过对采集图像中车辆的特征进行分析，提出了一种基于水平边缘车辆波的车辆检测方法，该方法中的水平边缘车辆波不但能很好地描述车辆的特征，同时也能排除大量干扰情况。方法的准确率和处理效率都很高，且能同时应用于前向和后向车辆检测。另外，根据图像中车辆尾灯的特点，本文提出了一种车辆尾灯的车辆检测方法，方法可作为多特征车辆检测的一个判据。针对单一特征误检率高的问题，本文提出了两种多特征融合的车辆检测方法，一种是基于投票法的多特征融合车辆检测方法，方法能极大程度地降低误检率。另一种是基于运动轨迹的多特征融合车辆检测方法，方法使用轨迹判断代替分类器判断，解决了车辆检测分类器依赖于样本规模的问题。为了达到提高检测率的同时降低误检率的要求，本文提出了两种基于决策理论的多特征融合车辆检测方法。首先将三个基于特征的车辆检测方法（对称性、车尾灯，HoG+AdaBoost分类器）的输出结果进行模糊化表达，之后分别使用Choquet模糊积分和D-S证据理论对模糊化的车辆特征算法结果进行结果融合。通过特征融合，实现了多工况下的车辆鲁棒性检测，提升了基于车载视觉传感器的车辆检测算法的性能。在多车辆跟踪方面，本文重点解决了尺度不断变化，目标消失以及跟踪过程中目标部分或全部遮挡情况下的多车辆跟踪问题。首先针对尺度不断变化的多车辆跟踪问题，本文提出了一种基于扩展卡尔曼滤波以及基于On-line boosting的离线和在线学习相结合的跟踪方法，在对车辆进行跟踪的过程中结合离线多尺度车辆表观分类器及遮挡判断机制来处理目标消失以及目标间的严重遮挡问题，试验结果表明，本文提出的算法在保证实时性的同时实现了尺寸不断变化条件下的车辆跟踪。除此之外，为解决现有的基于粒子滤波的目标跟踪方法不能满足复杂工况下多车辆跟踪的问题，本文提出了一种基于改进粒子滤波的车辆跟踪方法。方法中的适应于移动平台下的多车辆跟踪问题的粒子滤波状态方程，基于归一化MCRP面积的目标初始和消失处理方法以及跟踪过程中的目标位置冲突处理方法保证了复杂工况下多车辆跟踪方法的鲁棒性。通过在公开测试集和自行制作的测试集上对本文提出的基于车载视觉传感器的车辆检测和车辆跟踪方法进行测试，并与目前一些广泛使用的方法进行对比，验证了本文算法的有效性。