近年来，机动车的数量快速增长，导致交通拥堵、交通事故等事件频繁发生。智能交通系统作为解决道路交通问题的有效方法，成为国内外研究的焦点。运动车辆检测与跟踪是智能交通系统中的关键技术:通过车辆检测与跟踪获取获取车辆信息，为行为理解和分析提供支持。　　 背景差分法是运动车辆检测的经典方法。通过将当前图像与背景图像做差分运算，可以得到运动车辆。为了应用背景差分法，需要得到干净的背景图像，因此要选取有效的背景建模法。本文在对区间背景模型进行改进，提出了一种基于滑动区间的背景建模法，并于以往的背景建模法进行比较。基于滑动区间的背景建模法可以得到干净的背景图像，并且与以前的方法相比提高了处理效率。在获得背景图像后，利用背景差分法可以即得到前景图像，然后对其进行阈值分割、形态学处理以及求取车辆外接矩形，以方便对运动车辆进行跟踪。　　 在车辆跟踪方面，本文提出了一种基于UKF滤波原理与SIFT特征的运动车辆的跟踪算法。通过将车辆的外接矩形信息转化为UKF滤波参数，对车辆运动进行建模。利用UKF运动模型可以预测外接矩形在下一帧图像中的信息，从而可以对运动车辆进行匹配。对于各种原因引起的目标丢失问题，需要利用其它方法来辅助跟踪，车辆的SIFT特征能够很好地实现图像帧间的车辆匹配，因此可以用作辅助算法。本文利用车辆的SIFT特征辅助跟踪，并在目标再次出现时更新UKF参数。实验表明，基于UKF滤波原理与SIFT特征的跟踪算法能够对车辆进行稳定的跟踪。　　 在车辆检测和跟踪的基础上，我们可以对车辆的行为进行理解和分析。交通事件自动检测正是基于这种原理。本文通过对车辆轨迹进行曲线拟合，并结合数学模型参数，可以实现交通事件的检测。实验表明，该方法可以取得较好的检测效果。　　 本文所用的实验视频是从东南大学文昌桥处采集，实验部分是用C和C++语言实现的。