随着桥梁车流量不断增大,如何进行高效的桥梁健康监测成为现阶段的研究热点。获取准确的车辆荷载对桥梁的健康监测至关重要。同时车辆的位置、轨迹等信息也是健康监测系统的重要一环。因此,本文提出了基于桥梁交通视频,快速、准确地获取车辆行驶信息的新方法。以杭州湾大桥场景下的车辆为主要研究对象,致力于更深入彻底地研究车辆跟踪与轨迹拼接问题,从而提升车辆检测跟踪的精度及其鲁棒性,为获取桥梁车辆动态荷载和时空信息奠定了坚实的根基。本文的主要研究工作和创新点如下:（1）制作杭州湾大桥车辆检测数据集,并以YOLOv4网络作为基础网络,通过增加聚类分析、软非极大抑制算法、注意力机制和输出尺度等手段对其进行改进,提高了YOLOv4算法检测的准确性和鲁棒性。另外,还将DeepSORT算法融入改进的YOLOv4网络中来对目标车辆进行跟踪。实验结果表明,该检测算法的平均精度为86%,跟踪准确率达到31.2%。（2）车辆重识别在车辆跨摄像头跟踪中发挥了至关重要的作用,为了有效地提高车辆的重识别性能,提出了一种新的两步策略。第一步是将车辆通过多任务学习框架进行图像特征的重识别,筛选出相似度较高的车辆。第二步是结合时空特征的信息,进一步筛选第一步中的相似车辆。从而设计提出了一种基于图像特征和时空特征融合的重识别算法。该算法相较于其他重识别算法,如UMTS、SPAN等,性能更加优异,鲁棒性更强,准确率达到60.38%。（3）由于相邻摄像头间总存在非重叠区域,且在该区域内无法进行车辆的有效跟踪,因此对于该区域内的轨迹提出了一种新的预测算法。该轨迹预测算法是以车辆的历史信息为基础,通过改进长短时记忆模型实现的。能够平滑的与真实轨迹进行拼接,从而可以有效地表达出车辆在连续区域内的行驶信息。