当今社会,随着科技的快速发展,人们的生活水平不断提高,车辆数目也不断增加,给交通造成了很大的压力,因此智能交通系统(Intelligent Traffic System,ITS)应运而生。智能交通系统利用计算机视觉、人工智能等技术,利用计算机的高性能处理能力,协助人们对交通进行监督和管理,及时发现道路拥堵、交通事故等问题并采取措施,减少了人力、物力、财力的投入,使城市交通更加安全、顺畅。对道路监控视频中的车辆进行识别和追踪作为智能交通系统中最重要的环节之一,受到了国内外学者的广泛关注。本文研究的是在单摄像头场景下的车辆追踪问题,算法整体框架包括车辆检测和车辆追踪两部分。在车辆检测方面,本文首先对比了传统车辆检测算法和基于深度学习的车辆检测算法,提出采用Fully Convolutional One-Stage Object Detection(FCOS)算法进行车辆检测,并与目前广泛应用的几种车辆检测算法进行了实验上的对比,最后通过实验结果验证了FCOS算法在车辆检测中的适用性。在车辆追踪方面,主要包括特征提取算法和车辆关联算法两部分。为了更准确地比较车辆相似度,本文分析了多种特征提取方法,并结合国内道路监控视频中车辆图像易发生特征突变的特点,提出将Face Net深度学习特征和边缘特征联合作为车辆外观特征。在车辆关联问题上,由于实际道路场景较复杂,车辆间的相互遮挡使得车辆追踪变得困难,仅仅通过相邻帧车辆相似度比较来进行车辆追踪的方式无法很好地处理遮挡问题。本文利用前后帧车辆间的交并比(Intersection Over Union,IOU)和特征相似度比较结果在固定的时间窗口上初步生成车辆小段轨迹,并结合小段轨迹图模型和Tracklet Net轨迹相似度测量网络进行车辆关联,可有效减少遮挡带来的影响。通过实验验证了本文提出的车辆追踪算法的有效性。最后,本文设计了一个以车辆检测模块和车辆追踪模块为核心的车辆追踪系统。在系统搭建过程中使用了本文提出的车辆追踪算法,在保证准确度的同时尽可能地提升运行速度。最后通过测试验证了本文设计的车辆追踪系统的准确性、有效性和实用性。