当前，智能交通系统是计算机视觉的一个重要研究方向。与传统方法相比，智能交通系统具有成本低、性能好、功能多等优点。视频运动车辆的检测是智能交通系统的核心技术，也是智能交通系统中其他技术的基础。由于运动车辆检测技术的复杂性，该技术仍处在起步阶段，需要不断的研究并加以改进。本论文针对车辆检测跟踪中一些关键问题进行了探索和研究，提出了新的方法，这些关键技术可以有效地提高车辆检测与跟踪的性能。　　 在运动车辆检测方面，研究了预处理方法，采用改进的各向异性扩散方程的滤波方法去噪，平滑噪声的同时很好地保持了边缘清晰度；然后采用双直方图均衡化的方法进行光照校正，增强了图像的对比度，并且保持了图像的亮度，减少了失真。　　 通过对现有检测方法的分析比较，均衡算法的复杂性和可靠性，确定采用基于Canny检测算子的背景边缘去除的方法，克服了背景边缘不连续、不完整和过细问题，同时避免了目标边缘和背景区域的重合。该方法鲁棒性好，实时性高，对运动车辆的检测取得了很好的效果。　　 针对车辆检测和跟踪过程中的阴影和粘连问题进行了研究，主要采用了横向和纵向投影的方法。此方法对于阴影和粘连两种情况具有通用性，算法复杂度低，计算速度快，并且同时可以检测阴影和粘连两种情况，因此避免了因两次处理采用不同操作带来的耗时，提高了系统的实时性。　　 在运动车辆跟踪方面，重点针对背景遮挡情况下运动目标可能误跟、漏跟的问题进行了研究。确定采用卡尔曼滤波预测和均值漂移相结合的跟踪方法，该方法利用卡尔曼滤波器预测目标在当前时刻的起始位置，然后利用Mean-shift在该位置的邻域内搜索目标所处位置。同时，采用Bhattacharyya系数度量“目标模型”和“候选模型”的相似程度，确定“候选模型”是否更换为“目标模型”，避免了目标模型过更新从而得到运动目标的真是位置。保证跟踪效果的同时，充分利用卡尔曼滤波的预测能力，使遮挡过程中的跟踪更为准确。　　 在综合运动车辆自动检测、状态预测和自动跟踪算法的基础上，采用Visual C++和OpenCV作为开发语言，在Windows XP平台上设计开发了相应的软件系统。软件开发时，以软件工程学模块化思想为指导，划分为图像的预处理、运动车辆检测、运动车辆跟踪三个模块。所开发的软件系统能够较好地完成运动车辆的自动检测、状态预测，并初步实现了运动车辆的检测跟踪。