智能交通系统(ITS)是目前世界交通运输领域正在研究和广泛关注的课题。近年来,智能交通系统的应用给交通运输业带来了巨大的经济效益和环境效益,对于交通拥塞情况的改善、交通流量的监控和废气排放的减少起到了越来越重要的作用。论文所研究的基于视频的车辆检测与跟踪技术在ITS中占有很重要的地位,与传统的车辆检测方法相比,基于视频的车辆与跟踪检测技术不仅具有安装维护便捷且费用较低、可监视范围广等许多优点,同时可以对道路现场图像进行智能化分析和处理,能够采集到所需要的多种交通流参数,包括某一段时间通过的车辆数,每一时刻车辆所在位置等。本文在对基于视频车辆的检测与车辆跟踪经典算法进行学习和研究后,针对经典算法存在的不足,进行了改进和提高,提出了一种应用于城市主干道进行车辆检测与车辆跟踪的新方法。主要工作体现在以下几个方面：(1)提出了一种新的基于背景差分的背景模型构建算法。针对背景差分法的关键步骤即背景模型的构建,本文对基于背景差分法进行了改进。首先在背景模型的初始化阶段,本文提出了一种新的背景模型构建算法,该算法是利用多帧求平均的背景建立方法进行背景初始化,使背景模型的初始化具有较高的精度和效率；其次在背景模型更新时提出利用自适应调节更新速率的算法,使更新的背景模型更加接近实际背景。在图像分割时采用动态变化的阈值,即通过动态阈值对背景差分的结果进行分割,以避免实际背景突变时图像分割出现较大偏差。实验结果表明该方法具有较好的车辆检测精度和效果。(2)提出了一种新的基于区域的多特征匹配跟踪算法,根据目标车辆的运动特征预测其在下一帧图像中的位置,可有效缩小运动目标的搜索范围。改进了基于区域的跟踪算法,综合利用灰度图像和二值化图像实现对运动车辆的跟踪。在车辆跟踪中,建立目标车辆的质心位置预测模型,根据目标车辆的运动记录预测目标车辆在下一帧图像中的质心位置,然后在预测范围内,通过运动车辆的质心位置、面积及平均灰度值等多个特征进行目标匹配,从而实现目标车辆的跟踪,获取目标车辆的相关数据。经实验结果表明,该算法能够对运动车辆进行有效跟踪。