视频汽车尾气检测是计算机视觉领域的一项具体下游任务,其目的是检测出道路监控视频中含有超标汽车尾气的视频帧,对于降低超标尾气检测的成本、推动环境保护工作都具有较为重要的意义。然而,超标汽车尾气作为一种非刚体目标具有半透明、流动性较强的特点,这使得视频汽车尾气检测任务富有挑战性。另一方面,现有的视频汽车尾气检测方法大多依赖于传统算法以及预设规则实现可能存在超标尾气区域的提取,该预处理方法的鲁棒性较弱,使模型在复杂的道路监控场景下表现不佳。针对以上问题,本文探索了更加有效的视频汽车尾气检测方法。论文主要工作和贡献如下:（1）本文梳理总结了现有的视频汽车尾气及烟雾检测算法框架,并基于目标检测技术提出了一种视频汽车尾气检测算法框架。由于视频汽车尾气检测领域没有公开的数据集,为了支持相关实验,本文构建了一个大规模的、包含五个道路监控场景的视频汽车尾气检测数据集。与现有数据集的主要区别在于,本文自建的数据集包含完整的视频数据以及超标汽车尾气的包围框标注。（2）针对超标汽车尾气的外观表征并不明显这一挑战性问题,本文设计了外观与运动两方面特征的提取方法,并通过这两方面信息的交互实现了外观与运动特征的增强,并在此基础上,基于目标检测技术设计了用于视频汽车尾气检测的端到端深度学习模型。此外,本文还设计了协同分类模块,该模块在训练中约束局部检测结果与全局有无超标尾气的分类结果相一致。在自建的视频汽车尾气检测数据集上的实验结果表明,本文提出的视频汽车尾气检测算法具有良好的检测性能。（3）针对实际应用中目标域模型布置中容易遇到正样本训练数据缺失的问题,本文研究了视频汽车尾气检测模型的域适应算法。本文通过使用运动空间注意力与针对域分类的对抗训练削弱检测网络输入特征中的特定域信息,并基于正负原型优化实例特征表达,提升视频汽车尾气检测模型在目标域的表现。在自建的视频汽车尾气检测数据集上的实验结果验证了本文提出的域适应方法的有效性。（4）本文进一步研究了如何设计出泛化性更强的目标检测模型,用于视频汽车尾气检测和主流的目标检测任务,在没有目标域训练数据的条件下实现目标域上更好的检测性能。通过约束模型将域特定信息和域不变信息编码至不同的特征通道,本文提出了在通道维度解耦获得域不变特征的方法。基于这种较为通用的特征解耦方法,本文分别设计了域泛化视频汽车尾气检测模型以及域泛化目标检测模型。在自建的视频汽车尾气检测数据集以及公开的目标检测数据集上,本文通过大量实验验证了所提出的域泛化方法的有效性。