在汽车产业快速发展的压力下,采用智能交通系统进行交通管理是现代科技发展的趋势。需要对智能交通系统中采集的视频数据应用图像处理算法以提高视频监测的智能性。其中运动目标的自动检测与跟踪是处理的首要关键点,是事件检测与场景理解的基础。　　 本文首先讨论了运动目标的检测。深入分析了几种运动前景的检测方法:帧差法,光流法与背景模型方法。对比几种方法的检测效果,本文采用对干扰适应性较强的混合高斯背景模型方法检测运动前景。对检测出的前景图像进行自适应阈值分割与形态学处理,去除噪声与孔洞,分割出完整的运动目标。　　 由于交通场景的复杂性,分割出的车辆可能存在相互遮挡与阴影影响。本文分析了遮挡车辆的特性与现有的遮挡分割方法,提出了一种基于形态学分水岭的遮挡车辆分割方法。分析了阴影的特性与现有的阴影去除方法,提出了一种基于标记生长的阴影去除方法。讨论了遮挡分割与阴影消除的实验结果。　　 对分割出的运动目标进行跟踪。首先讨论了采用HSV空间H和S分量二维直方图反向投影的Mean Shift跟踪方法。理论分析与实验结果表明MeanShift方法时间复杂度低,但是仅适用于前背景色彩差异较大的简单场景且不能解决相互遮挡与快速物体的跟踪。　　 针对Mean Shift方法的缺陷,引入基于RGB空间直方图观测模型和随机运动模型的粒子滤波跟踪方法。粒子滤波方法可以解决遮挡场景中的跟踪。但是RGB空间观测模型对于某些复杂场景如前背景色彩相似,光照变化导致色彩突变等不能跟踪:随机运动模型不能跟踪快速运动的物体。由此,发展了基于HSV空间直方图观测模型和梯度方向直方图观测模型的粒子滤波方法,解决复杂场景的跟踪问题:发展了二阶自回归运动模型粒子滤波,实现对快速运动物体的跟踪。