随着我国经济的快速发展，公路交通压力逐渐加大，传统的人工方式已逐渐难以满足对路段进行监控的实际需求，智能监控系统因此应运而生。特别地，低空对地的监控方式由于具有部署快、平台运动性强、监控范围广等优点，越来越受到研究人员以及产业界的关注。其核心在于将摄像机等传感设备安装在无人驾驶飞机等空基平台上，感知地面交通信息，再利用图像处理、计算机视觉、机器学习等技术对获取的信息进行处理，从而达到智能监控的目的。然而，平台与交通对象的双重运动性、加之场景复杂多变，这给低空对地的监控带来了巨大的技术挑战。运动车辆跟踪作为低空对地车辆监控的一大核心任务，其目的在于连续地定位车辆在一个时间序列中的位置，获取车辆的运动轨迹，从而为后续的轨迹分析、车辆异常行为检测等奠定坚实的基础。因此，低空对地运动车辆跟踪研究具有较高的理论研究意义与实际应用价值。　　 针对低空对地运动车辆跟踪中存在的技术难题，本文提出了一种新的基于特征运动层分析与粒子滤波融合的跟踪方法。　　 (1)基于Kanade-Lucas-Tomasi(KLT)特征，提出了一种基于特征运动层分析的车辆跟踪方法。　　 基于KLT特征的运动层分析方法实现车辆的跟踪，在视频起始处理时将背景的特征分离出来形成背景运动层。由于在一个动态视频序列中，目标车辆的位置是未知的，通过配准和帧差分的方法检测出待跟踪车辆，从而初始化跟踪目标。基于检测出的待跟踪目标车辆，采用由粗到精的方式将运动车辆上的特征映射到不同车辆运动层上，从而通过在帧之间维护车辆运动层来实现车辆跟踪。对比结果表明，相对于其他跟踪方法，特征运动层分析在一定程度上能够达到更好的跟踪性能。　　 (2)针对基于特征运动层分析的跟踪方法中跟踪速度太慢的问题，同时为了进一步提升跟踪性能，提出了特征运动层分析与粒子滤波融合的车辆跟踪方法。　　 运动层分析由于引入了大量特征将产生巨大的计算开销，为了提高跟踪速度，可以减少特征个数；但特征个数的减小可能导致一些目标车辆上无法提取到特征，这将导致因无法构建车辆运动层而使得相应车辆跟踪失败。针对这种情况，提出了特征运动层分析与粒子滤波融合的车辆跟踪方法。在粒子滤波系统状态模型中，将平台运动特性引入到车辆状态转移方程中，从而消除平台运动对跟踪造成的影响；在粒子滤波测量模型中，采用了基于颜色相似度和Hu矩相似度相结合的方式对粒子权重进行赋值。结果表明，所设计的粒子滤波系统模型和测量模型能够较好地克服平台运动对跟踪方法造成的不良影响；特征运动层分析与粒子滤波融合的车辆跟踪方法能够取得良好的跟踪效果，更接近于实际应用需求。