社会经济的发展促使道路交通迅速发展，机动车数量不断增加。为了解决地面交通迅速发展所引发的各种问题，智能交通系统(ITS)被提到了重要位置。而在智能交通系统中，车辆的检测与跟踪是车流量统计、车辆拥塞控制等后续处理的重要基础。 本论文首先分析研究了车辆视频检测方法的研究意义和研究现状，并指出其中的主要问题和关键问题，围绕这些问题，安排了论文的框架结构。 为了应用背景差分法，我们就需要获得一个干净的背景，这就需要一个有效的背景建模方法，方法的优劣可以从实验效果和处理时间两方面进行衡量。论文用C＼C++代码实现了以往常用的几种背景建模方法，但不同于以往的做法，本文所有的建模方法都是基于R、G、B三个通道进行处理的。不仅如此，本文还提出了一种新的基于区间法的背景建模法，经过比较分析各种方法，基于区间法的背景建模法和混合高斯背景模型法都能得到干净的背景图像，且能适应复杂的天气条件，但前者较之后者处理时间大大缩短了，因此，本文下面的处理都是基于基于区间法的背景建模法。 得到了干净的背景图像之后，我们利用背景差分法得到了前景图像，为了方便对其进行跟踪，先后对前景图像进行阈值分割、形态学处理、求取车辆的外接矩形等操作。其中的阈值分割是对R、G、B三个通道的平方和取根值的，外接矩形的求取实际上就是一种区域增长法。 在车辆跟踪方面，本文根据Kalman滤波器的原理进行建模，将车辆的外接矩形的各个参数转化为Kalman滤波器的参数，从而能够应用Kalman滤波器的公式。实验表明，该方法能够对车辆进行稳定的跟踪。 根据夜间道路场景的特点，本文提出了一种新的基于车尾灯检测的方法来对夜间车辆进行检测和跟踪，由于车尾灯区域中的R通道比重较大，所以我们可以根据计算每个像素点的R通道的比重从而判别得到车尾灯区域，再根据一些先验知识、车尾灯区域的像素点的速度信息，我们可以将属于同一辆车的车尾灯区域合并，从而得到车辆；再利用前面的Kalman滤波器跟踪法，完成对夜间车辆的跟踪。 前面讨论的背景建模方法就是为了适应复杂多变的天气条件的，为了进一步验证这种建模方法的有效性，在第五章，我们详细讨论了在雨天和多云的天气条件下，对车辆进行检测和跟踪。由于在雨天和多云的情况下，车辆和路边物体容易在地面形成阴影或倒影导致检测错误，为了消除阴影和倒影，本文提出一种新的简单的阴影检测算法，实验表明，利用此算法，阴影和倒影能够得到有效的消除。然后，我们就可以应用前面讨论的算法，对车辆进行检测和跟踪。 本文的所有视频图像序列都是在东南大学东门天桥处采集，实验结果都是用C和C++语言实现。