随着我国城市化进程的不断加快,公路交通系统的压力也随之加大。因此,基于计算机视觉技术的智能交通系统的重要性日益显著,其核心技术是在静止相机拍摄的图像序列中进行运动车辆检测与跟踪。车辆检测与跟踪中涉及大量复杂的图形计算,传统的CPU串行处理特性无法满足实际应用所需的实时性。而图形处理器（GPU）拥有的强大并行计算能力可以很好的用来解决这种瓶颈问题。为了满足车辆检测及跟踪在实际应用中的实时性需求,论文运用GPU平台下的CUDA编译环境,针对车辆检测及跟踪过程中所用到的算法进行了改进并设计与实现了相应的并行算法,主要研究内容概括如下:（1）运动目标检测是进行跟踪和分析的基础,因此首要就是从视频序列中确定运动目标。背景建模是将大量的背景像素综合成为一个背景模型,是目前确定运动目标最常用的方法。混合高斯背景建模在背景建模的诸多方法中是公认的检测效果和适应性都相对较好的方法,但由于其计算量巨大,难以实时实现。因而针对GPU平台,挖掘高斯背景建模算法的并行性并进行优化,提高其实时性,对于扩展其应用范围具有重要意义。论文通过利用GPU平台上的CUDA编译环境,综合前人工作改进了自适应高斯背景建模算法,并从并行的角度对提出的自适应高斯背景建模算法进行并行化改进,实验证明,论文设计的并行算法比串行算法的效率提高了10.3倍。（2）二值图像连通区域标记是视频跟踪的基础,其是将前景二值图像中相互连接的像素通过一定规则给予同样的标记,而不连接的像素给予不同标记的处理过程。二值图像连通域快速标记算法在以CPU为处理核心的算法中是效率相对较高且兼具鲁棒性的算法,但其效率和性能的提升也相对比较有限。论文以并行处理为出发点,设计并实现了一种并行的二值图像连通区域标记算法来提高二值图像连通区域标记问题的处理效率,实验证明论文设计的并行算法的效率比文献^[47]中设计的并行算法效率平均提高了8.3倍,较大的提高了连通区域并行算法标记的效率及鲁棒性。（3）针对静态摄像头下的多车辆多目标跟踪,核心思想就是在连续的视频序列中寻找与跟踪目标特征最为相似的目标区域。论文设计并实现了静态摄像头下的多车辆多目标跟踪的并行处理算法,提取的特征是每个跟踪目标区域的质心,以及质心周围的灰度等。根据实验跟踪结果以及串并行算法10.2的加速比,证明了论文算法的有效性与实用性。