随着经济、社会的发展，车辆数量慢慢增多，而车辆的违规行驶、道路拥塞和交通事故等问题也更加频发，这些情况对人民的生命、财产安全构成较大地威胁。目前，国内外对于车辆的碰撞、闯红灯等行为做了研究，可是当道路局部发生突发事件而造成拥塞时，会扰乱正常的行车秩序，这给交通调度带来一定的难度。同时，若不能及时告知后续车辆此时道路的相关信息，势必会加剧拥塞，但是现在还没有可行的方法对这类情形进行分析并做出响应。　　 运动车辆的轨迹分析算法研究从车辆的轨迹信息方面考虑，以研究运动车辆的道路转向为基础，以当道路局部发生突发事件时，能采取有效地措施来保障拥塞问题不会加剧为目的。轨迹信息是预测车辆道路转向的重要特征，本课题通过对道路场景的分析，选用混合高斯模型来更新背景，从而有效地检测运动车辆。　　 论文的主要工作如下：　　 研究了基于马尔可夫链的轨迹预测算法的基本原理和预测过程，经过分析发现，通过该算法建立的预测模型仅仅是根据统计历史轨迹进行马尔可夫链训练得到。但是，当道路局部发生突发事件时，该模型没有学习功能，仍按照原方法训练模型，道路转向是没有任何变化的，势必导致拥塞更严重。因此，在路网特征和历史轨迹的统计信息的基础上，引入运动车辆本次轨迹的历史信息，并构建了一种改进的基于马尔可夫链的预测算法。该算法将前期处理得到的轨迹数据进行学习，得到一种改进的马尔可夫链轨迹预测模型，用该模型进行车辆轨迹预测。最后，利用隐马尔可夫模型识别车辆轨迹。　　 实验结果表明，改进的算法能通过自身的重新学习进行训练，适应当道路局部发生突发事件的变化，从而更加准确的预测车辆的道路转向，这在一定程度上也能为后续的车辆及时地变更行驶路线提供了非常重要的信息。