随着我国国民经济的快速发展,人民生活水平得到不断提高,汽车已进入千家万户,截止到2015年底,我国汽车保有量已达到1.72亿辆。汽车保有量的大幅增长,不仅给人们的日常出行带来了极大便利,但也给交通管理带来了城市交通拥挤、交通事故频发等严峻的挑战。车辆异常行为是指交通场景中的车辆违章、违法行为,主要包括闯红灯、压线和非法转向等行为。据统计,在过去十年间,我国有超过100万人死于各类交通事故,其中90%以上的交通事故是由车辆异常行为引成的。对车辆异常行为进行检测预警己成为交通管理部门迫切需要解决的问题之一,因此,本文研究城市交通场景中车辆异常行为的检测方法,具体内容如下：首先,研究了基于色彩空间模型的城市交通场景中信号灯的检测方法。采用中值滤波和光线补偿算法对城市交通场景图像进行预处理,并采用信号灯的颜色直方图和巴氏系数进行信号灯模板匹配；基于颜色空间模型进行城市交通场景中信号灯的状态检测,实验结果表明基于HSV彩色空间模型的城市交通场景中信号灯的检测方法优于其他两种彩色空间。其次,研究了基于车辆及车牌对称特征的城市交通场景中车辆检测的方法,并与基于车牌的车辆检测方法、基于Gabor特征及支持向量机(SVM)的车辆检测方法和Haar-like特征及AdaBoost分类器的车辆检测方法进行了对比分析,实验结果表明基于车辆及车牌对称性的城市交通场景中车辆检测的方法优于其他三种方法,其检测率达到91.2%。最后,构建了东南大学城市交通场景中车辆行为图像库,并提出了一种基于联合特征的城市交通场景中车辆异常行为检测方法,该方法基于梯度方向直方图(Histograms of Oriented Gradient, HOG)特征和局部二值模式(Local Binary Pattern, LBP)特征的串联联合,并采用支持向量机(SVM)进行自动分类。采用东南大学城市交通场景中车辆行为图像库进行了对比实验,实验结果表明：在选取线性核函数的条件下,基于HOG-LBP的联合特征的车辆行为识别优于其他三种单特征,其识别率达到93.6%；车辆异常行为中闯红灯行为判定率最高,非法转向行为最难判定。