智能化的车辆检测跟踪及行为分析对提高城市智能交通综合管理水平,解决交通安全问题,实施交通违法控制具有重要的意义。现阶段,基于视频的车辆行驶状态自动检测技术因受遮挡、形变、拥堵、复杂天气等因素影响,存在检测鲁棒性差、跟踪轨迹断裂及行为识别缓慢且错误率高等诸多问题。针对这一问题,本文聚焦于复杂交通场景中异常事件检测及细粒度车辆行为辨识,研究了金字塔式多尺度计算的车辆检测与多维度动/静态特征匹配的车辆跟踪方法,并以此为基础进行了相关交通参数的计算以及复杂交通场景中方法的有效性、准确性与实时性测试。主要研究内容包括以下几方面:（1）构建了复杂交通场景中基于路侧相机的车辆检测数据集与基于车载相机的车辆检测数据集。针对现有标注工具单一的类别标注功能,设计了一套具备标签批量修改、目标数量统计、标签格式转换及自动标注的多功能标注软件,并制定了复杂场景中“多规则、不互通、不重用”的标注准则。同时,以路侧相机和车载相机为依托,完成了雨、雾、拥堵、夜间等复杂场景的大量样本采集与车辆标注,构建了基于路侧相机的数据集与基于车载相机的数据集,解决了现有车辆检测数据集中复杂场景样本量稀少,标注规则不一致等问题,为不同的交通应用需求提供了数据支持,亦为检验场景迁移对车辆检测性能的影响提供了有效的数据保障。（2）提出了一种多层卷积特征融合与金字塔式多尺度计算的V-SSD（Multi-level Improvement of SSD）车辆检测方法。针对SSD（Single Shot Multi-Box Detector）方法存在的特征弥散、特征信息逐层损失及检测鲁棒性差等缺陷,一方面,提出了多层卷积特征融合方法改进了SSD的网络结构,大幅度提高了SSD对小目标的特征学习能力,降低了深度网络学习过程中的特征损失;另一方面,提出了基于枚举的金字塔式多尺度计算方法改进了SSD的检测算法,提高了SSD检测算法的鲁棒性。实验结果表明,V-SSD方法极大地弥补了SSD的缺陷,并在精度与速度等多种评估指标下的综合检测性能极佳。复杂交通场景的实验亦表明,相比SSD与YOLOv3（YOLOv3:An Incremental Improvement）等方法,V-SSD方法的检测速度略有下降,然其在达到93%以上检测准确率的同时仍能满足实际应用中对检测的实时性要求,并能够在复杂交通应用场景中保持稳定的车辆检测结果。（3）提出了一种多维度动/静态特征匹配的车辆跟踪算法。针对遮挡、形变等因素导致的轨迹丢失、断裂以及跳变等问题,从车辆行驶过程中的动态位移、静态类别、动态旋转角三个维度出发,提出了多维度动/静态特征匹配的车辆跟踪算法。该算法主要包括了车辆跟踪关键点校准,多维度约束下的车辆再识别及跟踪轨迹线性优化。车辆跟踪关键点校准充分考虑了车辆检测框对车辆位置的表达能力,提出了基于相机视角的检测框底边中心点位置校正算法,得到了最佳的车辆跟踪位置;多维度约束下的车辆再识别算法提出了最小欧式距离、最大匹配面积及满足阈值的轨迹夹角约束,成功过滤了伪轨迹点,并有效地抑制了遮挡、形变导致的车辆失踪与错误跟踪问题;跟踪轨迹的线性优化侧重于对轨迹的平滑以便更好地描述车辆的行驶状态。复杂交通场景下的实验表明,多维度动/静态特征匹配的车辆跟踪算法具有计算量较小、准确率高以及跟踪性能稳定等优势。（4）从精确分类和快速检测两个层面出发,分别提出了车辆异常行为的细粒度辨识方法及多因素综合决策模型检测方法。结合检测、跟踪得到的车辆位置、类别及行驶轨迹信息,设计并实现了停车、超速、逆行、变道、拥堵的细粒度辨识。针对细粒度辨识方法存在的计算量大,辨识速度慢等问题,分别设计了K近邻与随机森林两种多因素综合决策模型,实现了车辆行为正常与否的快速检测。实验结果表明,细粒度车辆异常行为辨识方法适用于精确分类而不关注速度的交通应用需求,而多因素综合决策模型仅进行车辆行为异常与否的二分类检测,故对注重检测速度而不强调具体异常行为类型的交通应用领域更能体现其价值。综上所述,本文围绕复杂交通场景中车辆的检测跟踪与行为分析关键技术进行了研究,并着重对遮挡、光照、拥堵、复杂气候条件等带来的错误预警问题,提出了解决方案,对智能化的交通管理需求具有一定的参考价值。