运动目标检测与跟踪技术作为图象处理技术与计算机视觉领域中的热点课题，广泛应用于医学检测、军事打击、运动编码、智能监控等领域。随着这方面算法研究的不断创新，目标检测与跟踪技术的实用价值也越来越高。智能交通系统（ITS）作为最早将该门技术应用于实际生活的领域之一，其长远发展却因为检测与跟踪技术的一些局限性而受到限制。智能交通监控系统需要24小时不间断工作，目前传统的检测与跟踪算法无法满足系统对实时性和准确度的要求，同时，夜间的低照度情况也使得监控系统几乎无法工作。本文以智能交通系统中的主要对象——车辆的检测跟踪作为研究内容，以解决智能交通系统实际应用中存在的问题。在运动目标检测方面，通过传统检测方法的学习，提出一种基于改进的Adaboost算法和帧间差分法的检测方法。采用汽车样本的Haar-like特征训练级联分类器，通过三帧差分法得到二值化掩码图像，去除干扰噪声后寻找连通域重建前景掩码图；加载分类器在当前帧的前景区域中做多尺度检测。对于夜间等低照度情况下车辆特征提取困难的情况，采用Gamma变换对低照度情况下的图像进行处理，以保证检测系统在低照度下的检测率。本文所使用的车辆检测方法可以很好地减少每帧检测时间，并能很大程度地降低误检测率，对车辆阴影及外界的干扰有很好的抑制效果，在车辆相互遮挡不太严重的情况下，能改观车辆粘连的问题。检测模块为后续的车辆跟踪提供更多的时间和更精准的数据。在运动目标跟踪方面，首先介绍了卡尔曼滤波跟踪、粒子滤波跟踪以及MeanShift跟踪的相关理论。其次在分析了HOG特征的基础上提出一种新的特征用于车辆跟踪。本文使用结合卡尔曼滤波器的Mean Shift跟踪算法，一方面解决了MeanShift在跟踪运动目标只能使用固定大小窗口的问题，另一方面克服了卡尔曼滤波器对模型依赖性强，跟踪不准，鲁棒性欠缺等问题，而且使用针对车辆而改进的HOG特征作为特征跟踪的依据，节省了计算量，增加对特定目标的特性描述，使得整个跟踪系统在速度、精度和尺度变化等方面的性能均有所提升。本文设计的车辆检测与跟踪系统可对交通路口进行智能化监控，为社会提供更加便捷、更加安全的交通服务。