当今世界经济发展迅速,人们生活水平逐渐提高,严峻的交通问题也伴随而来。不论在国外还是在国内,交通拥挤、交通阻塞已经成为影响城市居民正常生活的关键因素。为了改善交通环境问题,国家政府投资兴修道路,加快基础交通建设,但收效甚微。近些年来,随着计算机技术的提高智能交通技术逐渐崭露头角,为恶劣的交通环境的治理带来了曙光。智能交通系统已经在一些发达国家得到了广泛使用,并且收到了良好的效果,从而成为了目前解决交通环境问题的最佳方案。智能交通系统主要通过分析接收到的交通流检测系统反馈的实时交通信息,来做出合理的调度策略,优化交通环境。交通流检测系统是智能交通系统中关键的环节,它直接决定了智能交通系统最终的调度策略。因此,本文致力于仔细研究交通流检测系统,调研分析该系统中使用的关键技术,努力提高其效率,为交通流检测技术和智能交通技术的实现积累经验。交通流检测系统大体可分为五个部分:视频采集、背景提取、车辆检测、车辆跟踪、交通流参数检测,本文对这五部分做了详细的介绍,并分析比较了各部分中常用的技术方法。第二章主要介绍了背景提取技术、车辆检测技术、车辆跟踪技术等交通流检测系统中的关键技术,并给出了部分技术的具体实现流程和实际使用效果。文章在第三章首先简单描述了传统均值滤波背景提取技术的算法流程,并通过实验分析了其优缺点。传统均值滤波背景提取算法简单易用,但在处理车流量较大的视频流图像时算法的效果很差。鉴于此本文提出了一种改进的均值滤波背景提取算法,该算法对视频流图像按照一定的准则进行筛选,从而只统计被判定为背景的图像,最后对它们叠加求均值得到背景图像。在对改进算法的试验中可以看出,该算法克服了传统算法的缺点,能够较好的适应车流量大的情况。文章第四章对Mean Shift跟踪算法做了详细研究,分析了该算法的优缺点及其在交通流检测系统中应用的可能性。在目标跟踪领域Mean Shift跟踪算法以其无参性和强鲁棒性越来越受到研究人员的重视,但是传统的Mean Shift跟踪算法计算复杂度高,难以实现交通流检测系统中多目标实时跟踪的需求。因此本文提出了一种基于线性预测的Mean Shift跟踪算法,该算法在原有算法的基础上通过线性预测技术使其运行效率提高了一倍。针对传统Mean Shift跟踪算法核带宽不变的缺点,本文还提出了一种核带宽自适应更新机制,它利用交通车辆的色彩信息判定车辆的当前行驶状态,实验结果比较理想。在文章的最后给出了交通流检测系统的软件设计,在软件设计中综合使用了当前的主流技术和文章中提出的新方法,最后对交通流检测系统做了适用性和扩展性分析。