面对道路上车流量日益增长的严峻趋势,智能车辆领域无疑成为了国内外重要研究内容,大量研究致力于驾驶员辅助系统和视觉车辆检测跟踪技术的开发以增强安全性。随着道路中车队的增加,为了降低成本、减少人力资源浪费和交通事故的发生,智能车辆跟车系统的研究必不可少。本文主要研究基于视觉的智能车辆跟踪方法,对智能车辆车载相机采集的视频图像中前方目标车辆的位置实时检测跟踪,以便后期为智能车辆的决策系统提供有效的跟随信息。在视频图像中对目标车辆能否有效跟踪取决于跟踪算法的准确性和稳定性,因此选取合适的跟踪算法尤为重要。本文主要工作内容如下:（1）通过建立色调、饱和度以及边缘梯度特征三维联合直方图对传统Camshift算法进行改进。实验结果表明改进后的Camshift算法可以有效解决传统Camshift因目标相似颜色背景、光线变化等干扰导致目标车辆丢失的问题,但仍存在目标车辆因运动状态突然改变而跟踪失败的问题。（2）对目标车辆建立正样本数据库并利用Adaboost算法进行训练,最终得到由训练后强分类器联合而成的LBP级联分类器,利用该分类器对目标车辆进行识别跟踪。实验结果表明该分类器能够实现对目标车辆的准确识别跟踪,但仍存在误检、漏检的问题。（3）利用改进Camshift算法和LBP级联分类器两者的性能优势弥补对方的不足,利用Bhattachayya距离作为判别机制择取二者之一对目标车辆进行跟踪,随后融合Kalman滤波机制对目标车辆位置进行预测,不仅提高了跟踪准确度、减少了计算量,也使得目标车辆在被部分及全部遮盖的情况下依然能被准确跟踪,不再存在目标车辆跟踪失败的问题,最后通过实验对比不同算法的跟踪效果。实验结果表明,本文提出的改进Camshift结合LBP级联分类器并融合Kalman滤波的算法能够实现对目标车辆实时并准确的跟踪,准确率可达92.16%,且算法具有很好的鲁棒性。