由于近年来智能交通系统发展迅速,车辆匹配与车辆跟踪技术得到了广泛的应用,它融合了计算机图像处理、模式识别、神经网络、人工智能、遗传算法等相关领域的知识和技术。由于在实际应用中图像很可能发生视角、光照、尺度、平移、旋转、仿射等变化,选择合适的图像特征和特征描述算子非常重要,本文选择应用SIFT算法较好的解决了车辆匹配时对象的遮挡、旋转、光照、仿射变换等问题。车辆跟踪的核心问题是匹配问题。本文在分析和研究了SIFT算法、Kalman滤波器、Meanshift算法、高斯背景建模算法的基础上,结合不同的应用场景实现了多种跟踪方法,论文的主要工作如下：1.对图像特征提取及描述和运动目标检测与跟踪方法做了介绍,对当前常用的特征点检测算法Harris、Movers和SIFT算法进行了分析比较。2.通过对SIFT算法进行分析研究,针对SIFT算法高复杂度、计算速度慢的问题进行了改进,构造了新的描述算子,使其更好的应用于车辆匹配。通过大量的车辆图片进行了实验,实验结果表明,车辆图像在发生局部遮挡、平移、旋转、光照等影响下,改进后的算法在保持稳定性的同时提高了匹配速度,并应用于车辆出入口检测和车辆匹配识别演示系统。3.对目标跟踪算法进行了分析研究,由于Meanshift算法缺少位置更新机制,将Kalman滤波器预测算法引入到Meanshift算法中。本文在两种算法结合下实现了车辆跟踪,跟踪效果更加鲁棒。4. SIFT算法对图像发生平移、旋转、缩放等变化具有鲁棒的特性,本文将SIFT算法应用到车辆跟踪领域并结合Kalman滤波算法实现了更加鲁棒的车辆跟踪。5.车辆多目标自动跟踪算法是计算机视觉领域的热点问题,本文使用高斯背景建模的方法,有效的提取车流序列的背景和车辆前景,实现了多目标自动的车辆跟踪。