随着我国城市化进程的不断加快，尤其是21世纪以来的几年，城市公路交通系统的压力不断加大。交通拥堵、交通事故等日益频繁，逐步成为经济和社会发展中的全球性共同问题。交通事件自动检测系统（AIDS）正是解决该问题的主要途径之一。本文以视频图像为基础，对常见交通事件的检测方法进行了研究、探讨，主要工作包括三部分内容：基于轨迹分析的交通事件检测、基于灰度分析的交通事件检测和基于隐马尔可夫模型（HMM）的交通事件检测。　　 在基于轨迹分析的交通事件检测部分，本文实现了车辆换道事件，逆行、停车事件的检测方法。根据轨迹曲线的倾斜角，分析车辆行驶方向的变化，检测车辆换道事件：通过检测车辆在图像中某一方向上的运动，判别逆行、停车事件。本文还提出了对逆行检测算法的改进，将单车道的逆行检测扩展为正反车道的逆行检测。实验结果显示，在车辆不多、发生事件较典型时，本文的方法能够取得较好的效果。　　 在基于灰度分析的交通事件检测部分，本文首先介绍了基于灰度分析的逆行检测方法。通过在图像上设置监测区，根据监测区内的灰度变化首先出现在底部区域还是头部区域，对逆行事件进行判别。之后，本文介绍了传统的基于灰度分析的停车检测法，并在此基础上提出用分层分析法进行停车检测的算法。传统的方法往往会把停止车辆误认为是背景的一部分，因此不易实时更新背景，而本文的方法可以很好地做到这一点。算法通过像素分析和区域分析，区分出背景像素和静止像素，可以在实时更新背景的情况下检测出停驶车辆。实验证明提出的算法是行之有效的。　　 在基于HMM的交通事件检测部分，本文首先实现了基于HMM的车辆行为检测方法，通过运用HMM，根据提取的车辆轨迹特征，可以推断出车辆的行为过程：直行、左转、右转还是停止。之后，本文提出了一种用HMM进行交通拥挤检测的算法。该算法将交通状态分为拥挤状态和畅通状态，将排队长度、空间占有率作为交通参数，通过学习在拥挤和畅通两种状态下的历史数据，生成拥挤HMM和畅通HMM，然后用HMM对实时检测到的交通数据进行识别分类，从而判别路段交通状态。实验结果表明该算法能够成功地识别出拥挤事件。