随着经济的发展，各国汽车数量急剧增加，这引起了各国对智能交通系统的重视。智能交通系统可以缓解道路交通压力，为交通的智能化分析和科学化管理提供有效的数据来源。违规越界是交通中最常见的违章行为。本文针对越界车辆的检测和识别进行深入的分析和研究。首先在介绍常见图像预处理算法的基础上，分析对比了目前检测车辆越界的方法，发现这些方法需要对感兴趣区域内的大量像素点进行遍历，或者需要对视频中的每个运动车辆进行跟踪，过程复杂，运算量大，而且算法的稳定性较差。本文提出了基于区域生长的关键点提取，只对关键点小范围邻域内的像素进行检测，需要遍历的像素少，处理过程简单，提高了检测速度，并且适合对各种颜色车辆的检测；利用HSI表色模型下关键点的像素特征动态确定图像二值化阈值，可以保证检测方法的稳定性，有效克服了光线变化带来的影响。然后介绍了车牌识别的具体步骤，分为车牌定位、字符分割、字符识别三个部分，深入分析了BP神经网络的工作原理。为克服BP神经网络收敛速度慢、易陷入局部最优解的缺点，许多学者提出了引入动量因子项的方法，但是动量因子的具体取值具有不确定性。本文通过实验进行对比，详细介绍了动量因子的作用，以及动量因子项的取值对BP神经网络模型训练过程的影响，结果表明：应适当选取较大的动量因子和训练步长。最后在VisualC++6.0中使用MFC构建了整个检测识别系统，实现了以上算法，并通过对自行拍摄的实际视频进行检测识别证明了方法的可行性。