随着近年来我国的经济、文化和科技的高速发展,人民的生活水平有了极大的提升,汽车作为最普遍最重要的交通工具,承载着物质文化交流的巨大使命,机动车的数量也呈现出几何数量级的增长,使得交通运输的规划与管理面临着巨大的挑战,对机动车辆可靠高效的监管成为了亟待解决的问题。伴随着我国安防业的发展,对道路车辆进行视频监控已逐渐成为一种主流的监管方式,但传统通过工作人员人工统计记录监控视频中车辆信息的方式繁琐且低效,难以面对多车辆长时间的高强度工作,所以使用计算机视觉相关技术对车辆进行智能化监控已成为新的研究热点。而车辆检测、车辆跟踪和车辆分类技术是对车辆统计记录以及行为分析的基础,因此本文以视频智能监控中车辆检测、跟踪与分类为主要研究内容,具体有以下几个方面的研究工作:（1）在车辆检测研究中,本文分析了传统前景检测算法在用于车辆检测场景时的不足,改进模型的背景更新率的计算方法,和整体的更新策略。并通过形态学优化前景掩膜图像和前景车辆轮廓标定的方式确定车辆区域位置,实现车辆的检测。最后与其它前景检测算法进行车辆检测对比测试,结果表明本文改进的高斯混合模型建模方法在测试场景中表现优异,特别在车辆速度缓慢的堵车场景中车辆检测具有明显优势。（2）在车辆跟踪的研究中,本文提出一种基于质心点匹配的多车辆跟踪方法。为实现对前后帧中检测车辆的匹配,分析了多车辆行驶时在前后帧的位置关系,给出同一车辆的匹配策略,分析该匹配策略的适用条件与一般监控场景下的适用性,并提供车辆跟踪的流程步骤。最后测试了在多车辆的监控场景下的跟踪效果和处理速度,结果表明在多车辆跟踪场景下跟踪效果良好,算法运算量小,满足实时跟踪的需求。（3）在车辆分类系统设计中,应用前文的车辆检测和跟踪方法,结合基于图像特征的分类方法,设计道路视频监控场景的车辆检测跟踪和分类整体系统方案,给出具体的系统实现过程。并以道路监控视频进行测试,分析了车辆检测和分类的测试结果。对于系统测试中仍然存在的不足之处,在展望部分提供了未来的改进方向和建议。