随着道路交通的迅速发展，机动车数量急剧增加，交通管理面临严峻的挑战。为了保证交通安全和道路畅通，以计算机视觉技术和通信技术为核心的智能交通系统成为交通管理系统的发展方向。而计算机视觉技术在提高交通管理系统智能化的同时，面临很多问题。本文主要研究交通场景下雾天图像的复原、运动模糊的去除和信号灯的识别。雾气不仅影响车辆的通行，也会降低智能交通系统中相机的成像质量，不利于交通的监管。为了消除雾气对成像质量的影响，本文采用基于暗原色先验的算法实现雾气的去除。该算法利用暗原色先验知识估计大气光和透射率，并用引导滤波对透射率进行修正，成功消除块效应，最后结合大气退化模型实现雾天图像的恢复。交通系统中相机架设有统一的标准，高度、角度都有严格的限制，场景深度相对确定。本文利用交通场景的深度信息对算法进行改进，可以较好地实现去雾，速度提升明显。当光线不足或车辆高速运动时，监控相机采集的图像在车辆区域会出现运动模糊，这种模糊近似由匀速直线运动产生。本文采用倒频谱和radon变换相结合的方式确定运动方向，利用图像的空间相关性鉴别运动尺度，进而确定点扩散函数。然后分别用传统的维纳滤波和一维维纳滤波实现图像恢复。一维维纳滤波只针对水平方向和垂直方向的运动模糊，可以大幅提升处理速度，特别适合交通场景这种运动模糊集中在垂直方向的应用场景。信号灯识别算法利用信号灯的颜色和位置分布特征鉴别信号灯状态。针对信号灯闪烁会导致信号灯亮度过低，识别失败的情况，用先前帧信号灯状态对当前帧进行预测。该算法成功移植到EagleEye3智能相机平台，经测试，该算法快速、有效，可以满足实际需求。