随着我国经济的快速发展和人民生活水平的提高，人们对现代交通的要求也越来越高，因此智能交通系统(ITS)成为发展现代交通的重要趋势。交通场景中的运动目标检测和分类技术是智能交通系统研究中的关键技术，其性能直接影响到对目标后续处理的结果。　　 本论文对运动目标检测算法和分类算法进行了研究与分析。为了提高精度，对运动目标检测算法和基于支持向量机(SVM)的多类分类方法进行了改进，改造了分类器结构，并且对交通场景中的运动目标进行分类。　　 根据使用独立分量分析进行目标检测的精度和速度与观察信号的非高斯相关，将独立分量分析和提升小波变换相结合用于对运动目标进行检测。实验结果表明，该检测算法能够提高运动目标检测的精度和减少检测时间。　　 针对一对多SVM算法和一对一SVM算法中存在不可分区域以及二叉树SVM算法中存在“误差累积”现象，将一对多SVM多类分类算法和k近邻(KNN)算法相结合应用于多类分类。该算法首先对一对多SVM子分类器的训练样本进行初选，通过选择支持向量附近的样本来减少分类器所用到的训练样本，减少训练时间；然后将测试样本输入到一对多SVM子分类器中进行分类；最后将训练样本和通过一对多SVM子分类器已经确定类别的测试样本输入到KNN子分类器进行训练，训练后将通过一对多SVM子分类器而未能确定类别的测试样本输入到该分类器进行再次分类，确定其类别。实验结果表明，该算法能够具有较好的分类精度。　　 将交通场景中运动目标分为人、人群、客车、小轿车以及SUV或面包车等类别。针对这些类别的特点，改造了用于分类的分类器结构。实验结果表明，该算法能够较好的对运动目标进行分类，提高了目标分类的精度。