由于场景的封闭性及行车速度高的特点，高速公路隧道发生停车事件后一旦不能及时发现和处置，极易导致二次事故的发生，甚至引发重特大交通事故，严重影响高速公路的运行安全。基于视频的方法是主要的停车检测途径，但当前的研究主要基于简单的场景。由于隧道环境复杂，现有方法难以满足停车检测的需求。因此，针对照明灯光变化、车辆灯光干扰和视频图像模糊等问题，研究基于视频的停车检测方法，对高速公路安全运营管理具有重要的理论和实际意义。针对环境复杂性对停车检测的影响，论文研究了隧道中的背景建模与更新、车辆目标提取、车辆特征的选择与融合、初始跟踪目标选取、跟踪过程异常处理以及停车目标识别方法，最终形成了一套基于视频的高速公路隧道停车检测方法。在车辆目标检测方面，选取了基于非参数核密度的背景建模方法。通过深入分析隧道内背景整体突变、背景局部变化和出现停车三种情况对背景建模的影响，给出了一种基于多模态的背景更新方案。实验结果表明，选择的背景建模方法和给出的背景更新方案能够获得较好的背景图像，为车辆检测奠定良好基础。在车辆目标跟踪方面，提取了颜色、形状和位置多种特征，并通过方差测度融合的方法获取综合特征。同时，针对隧道环境变化导致单个特征对综合特征的贡献率发生改变的问题，提出了一种基于自校正的特征权值更新方法。此外，针对局部光照变化引起的伪前景问题，提出了一种基于虚拟检测线的初始跟踪目标选择方法，能将伪前景和初步判断不可能发生停车事件的车辆排除在跟踪序列之外。针对跟踪过程中车辆目标跟丢和车辆相互遮挡干扰的问题，提出了一种跟踪过程的异常处理方法，可将干扰的目标和驶离监控场景的目标快速删除而又保留因遮挡等原因暂时跟丢的目标，实验结果表明，提出的自校正特征权值更新、初始跟踪目标选择及跟踪过程异常处理方法提高了车辆跟踪的快速性和准确性。在停车识别方面，在车辆跟踪的基础上，提出了一种基于分级的停车目标识别方法。首先通过分析车辆成功跟踪的次数来对停车目标进行初步识别，再结合车辆质心坐标的变化情况对停车目标进行最终的识别。实验结果表明，提出的停车目标识别方法能够快速准确地识别出停车目标。最后，结合本文提出的停车识别方法，利用重庆市的高速公路隧道监控视频数据，在VC环境下进行了验证实验。结果表明，论文方法能够实现隧道复杂场景下车辆目标的正确、快速检测和跟踪，提高了停车事件识别的正确率和快速性。