随着我国社会经济的快速发展,城市人口和汽车的数量不断增加,导致城市交通压力与日俱增,日常堵车和频繁交通事故已成为各大城市的通病所在,所以必须采用科技手段来解决交通难题。进入二十一世纪以来,由于计算机芯片、存储等硬件的更新换代和人工智能技术的飞速发展,以及基于深度学习的图像处理和图形识别技术不断衍化增强,进一步推动了智慧交通的广泛应用。智慧交通已成为解决当前交通问题的关键手段,可以实现对行驶在城市道路上的车流量进行实时统计并检测跟踪,并自动分析车辆的行驶状态,实现交通秩序整治和城市道路安全的智能化管理。本文从交通实际应用研究出发,以城市交通电子眼拍摄的视频为研究对象,从目标检测、目标跟踪和目标行为分析三方面着手对车辆行驶状态进行分析。在车辆检测方面,采用最新YOLOv5网络来检测行驶的车辆,并对YOLOv5网络结构进行改进,将其中损失函数由原有的GIo U Loss改进为DIo U Loss,并将原来的加权非极大值抑制（NMS）改进为DIo U NMS,增强了YOLO网络对遮挡物体的检测能力,实现高精度识别视频中行驶的车辆。在车辆跟踪方面,根据实际应用场景,多目标跟踪采用Deep Sort算法跟踪已框选行驶在公路上的车辆,并自动分配唯一识别编号。通过Deep Sort结构内部的卡尔曼滤波进行预测更新与匈牙利算法匹配来实现前后帧同一车辆的快速关联,从而实现车辆的实时跟踪。进一步对车流量进行统计,首先,在视频中的道路上选取合适的位置设置两条横穿车道的虚拟检测线,比较行驶车辆的质心与虚拟检测线的位置关系来确认是否统计,在单位时间内对行驶车辆进行实时精确统计并显示出来。基于上述车辆的检测跟踪结果,进一步对车辆行驶状态进行分析。其方法是先对后续车辆行驶轨迹的质心坐标变化以及质心前后多帧差值情况进行自动比较分析,然后判断车辆是否存在违规不合理的行驶状态,并预警显示出来,提醒监管人员对相应的事件及时处理。研究结果表明,基于最新YOLO改进网络和Deep Sort算法用于车辆实时检测、跟踪与分析是可行的,对于城市交通智能化管理具有一定的参考价值,对于合理预防交通事故具有重要的理论和现实意义。