随着汽车数量的大幅增多，道路拥堵、交通事故等问题不断增多，智能交通系统(Intelligent Transport System，ITS)也因此成为了未来道路交通系统的发展方向。智能交通系统中最重要的两个子系统是智能道路监控系统和智能车辆系统。前者是通过分析道路监控数据，计算道路车流量、判断车辆是否有超速、逆行等违章情况以及道路上是否发生了交通事故;后者则用于辅助驾驶员驾驶，通过安装在车辆前部的雷达、红外或者可见光谱探测器，获取车辆行进前方的路况信息，检测并提示前方是否存在行人等障碍物。　　对象检测能够自动判断图像中是否存在目标对象以及定位对象的位置，为视频场景分析以及后续的高层语义分析等提供服务，因此在智能交通监控和智能车辆系统中都得到了广泛的应用。　　由于道路交通场景中存在光照变化较大、背景复杂、对象遮挡严重以及对象尺寸变化较大等问题，使得直接利用表观特征进行对象检测性能不够理想。上下文信息作为一种在空域或时域内根据对象与临近对象、区域或像素的关联关系得到的信息，能够为对象检测提供有效的补充信息。据此，本文通过引入时空上下文信息，针对对象检测在智能交通监控和智能车辆系统中应用和问题的不同，提出了两种不同的基于时空上下文信息的对象检测算法。本文的主要研究内容如下:　　(1)提出了一种面向智能道路监控的车辆检测算法。该算法首先对视频帧进行背景减除和形态学操作得到运动前景区域，并以此为基础，利用车辆在图像中位置和尺寸的映射关系以及由短期跟踪得到的车辆纹理一致性作为时空上下文，最后利用贝叶斯概率模型将上下文信息与表观信息相融合。在实际道路监控数据上的实验结果表明，本算法较智能道路监控中常见的车辆检测算法效果更好。　　(2)提出了一种面向智能车辆的行人检测算法。该算法首先根据摄像机参数进行简单的3D场景建模，结合人体身高的先验范围得到感兴趣区域。之后结合立体视觉信息，分别从特征层和实例层两个层面提取时空上下文:利用三维特征上下文特征(3D Feature Context)从特征层面提取时空上下文信息;利用立体视觉得到的深度信息和短期颜色一致性作为实例层的时间上下文;最后将双层时空上下文信息与表观信息相融合，并在ETHZ车载行人数据集上得到了较好的检测效果。　　(3)利用本文提出的面向智能交通监控的车辆检测算法，结合对象跟踪以及对象匹配技术，针对真实交通监控视频开发了跨摄像头跟踪系统——CCTracker。该系统实现了单视角下对象检测与对象跟踪、多视角下对象跟踪结果等信息交互，可以根据用户手工输入的对象信息进行单视角下检测跟踪以及对象消失后的跨摄像头匹配跟踪。　　综上所述，本文针对面向智能交通系统的基于时空上下文信息的对象检测算法进行了研究，并在智能交通监控系统方面进行了初步的探索。实验结果展示了本文工作的可行性和有效性。