视觉智能交通系统利用光学图像传感器和计算机视觉技术,实现辅助安全驾驶和智能交通监控,对于提高交通效率、减少交通事故具有重要的应用价值。目标检测与跟踪是视觉智能交通系统的核心关键技术,是实现车辆捕获、辨识、定位的基础。在实际应用中,车辆位置变化导致目标在图像域呈现移动变尺度等特点,对这类目标的检测和跟踪是国际研究的前沿热点问题。本文围绕场景动态、结构复杂、尺度可变和姿态多样条件下的移动变尺度目标稳健检测和连续跟踪问题,研究了自适应集成检测、图模型结构检测、混合滤波跟踪和深度图模型跟踪等方法,主要内容如下:1.提出环境感知微卷积神经网络(SR-MCNN)车辆检测方法,解决了车辆周边场景认知和门限自适应难题,降低复杂道路场景中车辆虚警率,提高了微光和逆光等场景的车辆检测率,实现了动态检测场景下的车辆稳健检测。2.提出标签可位移扩展链(LMEC)结构图模型车牌检测方法,解决了图节点缺失、节点偏离和噪声污染条件下车牌空域图模型的高精度构建和高效计算问题,实现了基于车牌要素的近距车辆稳健检测。3.提出位置关联混合滤波(DRMT)车辆定位跟踪方法,解决了临界变距目标点迹跟踪过程中,尺度剧变引起的定位精度低和跟踪不连续问题,融合了目标轮廓和目标细小特征图像域检测结果,消除了车辆图像尺度近距陡变引起的点迹跟踪滤波非线性,实现了临界变距车辆的精确定位和连续跟踪。4.提出深度卷积流(DCF)车辆定位跟踪方法,解决了低帧率条件下车辆姿态与转向意图辨识及横向位移预测难题,构建了变姿转向车辆的高效联合检测跟踪架构,实现了中远距离车辆的稳定跟踪。以上检测跟踪方法,已通过仿真和大量实测数据测试,被证实能够在静态和动态场景中实时完成对变距变姿行进车辆的稳健检测和连续跟踪。