为了解决地面交通快速发展所引发的各种问题，智能交通系统(ITS：Intelligent Transportation System)的研究被提到了重要位置。事件检测系统作为ITS的核心和关键组件，成为许多国家的研究热点。本文以视频图像为基础，针对ITS领域的关键技术，对高速公路事件检测系统中的相关问题进行了研究和分析，主要工作体现在以下几个方面： 1)提出一种自适应背景模型的构建和更新方法，该方法可以从含有干扰(如，目标运动，环境扰动等)的视频序列中准确重构背景；针对背景突变及渐变等情况，采用一种新的背景模型更新方法，自适应的对背景模型进行更新，可以较好地克服光照变化、环境中存在干扰等对背景模型的影响，具有较强的自适应性。 2)以基于自适应背景模型差分的目标检测方法为基础，研究在高速公路背景及摄像机静止的条件下，快速有效的运动车辆自动检测方法，并在车辆运动阴影的问题上作了部分研究，提出了一种计算RGB颜色空间的色度模型进行阴影检测，消除阴影对车辆检测的影响。 3)提出一种基于自适应特征选择的运动车辆跟踪算法。将Boosting算法引入粒子滤波器，构建了自适应粒子滤波器，该方法首先利用背景信息和目标信息建立特征分类器，将分类器的输出结果作为粒子滤波系统观测的重要信息，进行粒子权值的计算，并在跟踪过程中不断更新特征分类器，从而自适应地更新粒子的权值。该方法可以根据背景信息的不同自适应的选择特征，对于存在遮挡、形变及背景干扰等情况，依然可以很好地对目标进行稳定跟踪。 4)在事件检测部分，以跟踪轨迹为基础，通过直线拟合的方法，把复杂的车辆跟踪轨迹曲线简化为直线组合，以直线差角代替轨迹曲线曲率变化，分析车辆行驶方向的变化情况，对车辆换道、避障、逆行等事件进行判别，并通过车速计算对超速，慢速，停车等事件进行检测；提出一种基于boosting方法的拥塞检测算法，通过对检测原理及交通流的分析，确定了神经网络结构，为了达到更好的检测效果，利用boosting方法对神经网络的集成，然后对交通拥塞进行检测，最后对隐马尔可夫模型(HMM)进行车辆碰撞事件预测中做了部分探讨和研究。 实验结果表明，本文的算法可以在存在干扰的情况下有效地对车辆进行检测及稳定跟踪，并可以对停车、逆行、超速、换道、阻塞等事件进行有效识别。