交通信息的实时监控及分析，对于增强城市快速路交通管理能力起到了越来越重要的作用。为了能够实时收集交通信息，基于视频的交通信息采集成为智能交通领域一个新的研究方向，具有广阔的应用前景，正受到更大的重视。　　 论文以摄像机固定方式下拍摄的交通视频序列为研究对象，以实时提取交通参数为研究目的，针对畅通和拥堵两种不同的交通状态，研究并改进了交通参数的检测算法。　　 快速路交通状态畅通的情况下，现有的大部分基于视频的交通参数检测算法在准确性上均表现相对良好；但在快速路交通状态处于拥堵的情况下，这些方法的检测准确率急剧下降。因此正确区分不同的交通状态，针对不同状态应用不同的交通参数检测算法成为本文的工作重点。　　 本文提出了一种新的交通视觉特征的时空描述符来实时的判别交通状态。首先，利用数学形态学边缘检测在感兴趣区域提取每帧视频中的车辆信息。第二，利用延迟线技术获取时空描述符。为了减小计算量，本文利用二维主成分分析法(2D-PCA)对交通视觉特征的时空描述符进行降维操作；获得特征子空间后，利用支持向量机(SVM)训练分类器并正确识别出两类不同的交通状态。实验表明这种方法在不同的光照和天气下可以准确的估计出交通状态。　　 在畅通的交通状态下，本文在VC环境下设计并搭建了基于图像处理的智能交通实验平台，本实验平台根据相关的交通参数检测算法编程实现。然后，对实际道路环境下采集的视频交通流进行检测，检测车流量、车辆速度、交通流密度等相关交通参数，给出了相应的测试结果、统计数据及性能评价。　　 在拥堵的交通状态下，快速准确检测快速路车辆排队和消散的整个过程，能及时的获取到快速路动态路况信息，有助于合理配置交通控制策略。本文提出了一种基于图像处理的车辆排队鲁棒检测算法。此方法针对实际应用中车道标志线和车辆阴影等无关信息严重影响排队长度检测精度的问题，首先将背景差法和帧间差法相结合进行停车状态识别。在此基础上，综合利用梯度差分和颜色差分获取车辆完整信息，为采用伸缩窗进行排队长度检测提供了更加鲁棒的信息。实验结果表明，本文算法满足实时性的要求，检测效果良好。　　 最后，论文设计并搭建了智能交通视频信息管理系统，由于实验所需的视频形式多样（不同天气、不同地点、不同拍摄角度等），并且利用不同的算法处理过的视频得到的交通参数也有差异，所以需要及时有效的记录这些差异并合理的管理这些视频，为做好实验对比提供基础。本系统应用Microsoft Visual C++编写，后台数据库使用SQL Server2000数据库，系统可靠性较高，且易于维护。