在智能交通系统中,使用计算机视觉的方法对监控摄像头采集到的图像中的车辆进行检测和跟踪,可以准确实时的获得目标车辆的位置。但由于车辆外形的多样性、物体和环境随时间发生着变化、物体之间的遮挡等各种复杂情况的存在,要获得一种稳定、精确、适应广的跟踪方法是非常困难的。由于运动物体检测是跟踪之前的必要环节,本文也对运动物体检测算法进行了研究,关于跟踪算法,对于MeanShift跟踪算法进行了研究和改进。本文首先对于三种常用的运动物体检测算法进行了研究与分析,然后对其输出的掩码图像的图像后处理算法进行了研究。针对当前的二值图像处理算法不能够很好的得到理想的前景掩码图像的情况,开发了一种新的二值图像处理算法。对图像中每个像素根据其周围环境、以及在环境中所处的位置,为像素定义了特征量,计算得到每个像素的特征值,一副图像便对应了一个标量场。然后根据选择的阈值,对每个像素进行调整,以减少噪声。以上过程经过若干次迭代,最后图像变化趋于稳定,即最后的结果。该算法能够在去除噪声的同时有效维持前景物体的边缘形状。最后通过实验结果可知,该算法具有较高的实用性。对MeanShift算法及其在运动物体跟踪中的应用进行了详细的理论推导。然后编码实现了MeanShift跟踪算法,使用一段交通监控视频对算法进行了测试,证明了算法的有效性;理论与实验相结合,分析了MeanShift跟踪算法的局限性。针对MeanShift跟踪算法的尺寸适应问题,利用前后两帧物体中点之间距离的变化能够反映物体总体大小变化的特性,改良了传统的MeanShift算法,使之具有了一定的尺度自适应能力。算法首先在物体窗口内均匀的产生一些候选点,然后用L-K光流法计算这些点在上一帧的位置,然后利用局部一致性拘束和前后一致性约束去除错误的候选点。得到剩余正确的点及其在上一帧的对应点,利用点对之间在x、y方向上距离的变化来估计跟踪窗口尺寸的变化。最后进行了对比实验,算法的有效性得到证明。