运动车辆的检测与跟踪是现代智能交通系统的最核心的部分之一。本文在分析和总结现有的车辆检测和跟踪技术的基础上，重点研究了运动车辆的自动检测、阴影去除、车辆跟踪技术，并提出了相应的改进算法，完成的主要研究工作如下:　　(1)运动车辆检测技术研究。　　针对常用车辆检测方法对光照比较敏感及对车辆、背景对比度差值要求高的不足之处，提出了利用背景图像LBP（局部二值模式）纹理和当前帧图像LBP纹理的相似度分析提取前景的方法。首先利用高斯混合模型获得当前帧对应的背景帧，分别计算其N-LBP纹理，然后进行当前帧与背景帧的纹理相似性分析，从而准确的检测出车辆，有效地解决了这些问题。　　(2)运动车辆阴影检测　　针对传统阴影检测方法使用单一方法进行阴影检测时，容易出现阴影误检的问题，提出一种结合颜色、光照模型及阴影邻域像素关联性的阴影检测方法。首先利用颜色特性完成阴影的初步检测，然后利用光照模型中亮度比值置信区间完成对误检阴影像素的去除，最后利用阴影区域邻域像素的关联性进一步消除误检像素，保证了阴影区域检测的完整度和准确度，从而达到准确检测运动车辆的目的。　　(3)运动车辆跟踪技术研究　　针对传统Camshift算法跟踪精确度、稳定度不高的缺点，提出一种将图像特征、空间运动概率相结合的改进Camshift算法。该改进算法将传统Camshift算法中的颜色直方图改进为颜色、纹理多维直方图，增加了特征的强度，在一定程度上解决了背景颜色和目标颜色相似时导致的跟踪误差;然后引入运动目标位置变化的预测机制，即利用基于金字塔的L-K稀疏光流法对运动车辆中心进行估计，从而更进一步减少Camshift跟踪的搜索时间，降低了计算量。最后，将传统Camshift算法反向投影图进行改进，在原有特征反向投影图中加入像素空间运动概率信息，保证了在多种场景中跟踪的稳定性与准确性。　　(4)利用车辆检测和跟踪的实验结果，成功的获得了相应的交通参数并完成了对车辆行为的分析。