计算机视觉是用各种成像系统代替视觉器官作为输入手段，由计算机代替人脑来完成图像的处理和解释工作。本论文分析了利用计算机视觉来检测车辆流量的整个过程，着重对车辆的实时跟踪技术进行了研究和讨论。本文首先根据输入的实时图像序列，进行自适应学习以重建出背景，在此基础上将输入的道路实时图像和背景图像进行差分运算。本文实现了一个由图像获取、运动检测、形态滤波、连通域分析、运动跟踪等部分组成的车流检测和运动目标跟踪系统，并针对实现过程中遇到的问题及难点提出了相应的解决方法。在跟踪过程中，着重针对多个运动目标遮掩的情况，设计了基于运动状态的识别和跟踪方法，并利用常系数的Kalman滤波器对运动目标的位置进行预测，解决了目标遮挡情况下的识别和跟踪问题。 本论文分为以下六个部分。第一部分介绍了计算机视觉系统的发展过程及其在智能交通系统中的应用，并对车流检测和运动目标跟踪的方法进行了比较；第二部分着重研究了从序列视频图像中重建出真实背景的技术，并对其中所表现出的问题提出了相应的改进方案，取得了良好的效果；第三部分针对实时视频图像和背景差分后的灰度图像进行预处理，重点讨论了弱目标的二值化问题及图像的形态学滤波；第四部分介绍了线段编码在本系统中的应用，提出了一种快速分割目标并同时提取出其特征参数的方法，并将其和常规算法进行了比较；第五部分介绍了目标区域合并的过程，着重研究了运动目标跟踪的方法，通过建立目标的运动状态来辨识目标的遮挡问题，并利用α-β-γ滤波器来预测物体下一时刻的运动位置，减小目标匹配的搜索范围；第六部分介绍了整个系统的组成结构和软件框架，并对道路处于阻塞状况下的交通参数的检测方法进行了讨论。