在智能交通系统中,运动车辆一直是重要的研究对象。为了准确并快速地检测、识别与跟踪行驶的车辆,本文提出了一种对运动车辆检测、识别和跟踪的方法。为了能够比较准确地判断出不同类型的运动车辆如大车和小车,提出了基于样本车辆跟踪框和质心像素纵坐标的自标定方法并给出了对大车和小车的定义。该方法用来为识别运动车辆并判断大车和小车提供标准,具体步骤是先将预先获得的小样本车辆在一定范围内跟踪框的宽高比作为识别运动车辆的依据,然后,将跟踪框的宽度值和车辆质心的像素纵坐标值作为判断大车和小车的参照。再选择某一大样本车辆,通过大样本车辆的相关数据来验证利用小样本车辆对大车的识别和判断是否正确。在对比了基于全局的自适应阈值Otsu算法和基于局部的自适应阈值Niblack算法和Sauvola算法对图像二值化的效果图之后,分别采用均值滤波、中值滤波和高斯滤波对产生的二值图像进行去噪处理,得出基于全局的Otsu算法的二值化效果好于局部阈值二值化方法的结论。然后,针对Otsu算法的缺陷,即在车辆检测后某些车辆轮廓间断、不易辨认,对Otsu算法进行了改进。在验证了改进的Otsu算法的优越性后选取该改进算法作为本文的自适应二值化阈值方法。另外,由于均值背景建模快速高效,得出的目标前景图质量较好,故选取均值背景建模方法作为本文建模背景的方法。在基于连通区域跟踪运动车辆的过程中,提出了识别视频图像中运动车辆数量的方法。然后,根据Harris角点检测算法的稳定性和准确性选取该算法作为本文跟踪车辆方法的核心。该跟踪方法将特征角点分布区域的中心点作为跟踪运动车辆的基础并用自适应车辆大小的跟踪框定位车体。在样本车辆跟踪框和质心像素纵坐标的自标定方法和对大小车的定义基础上,通过实验首先准确地判定出了目标物体是运动车辆,然后识别出了不同类型的运动车辆并验证了该方法的可行性与准确性,证明了本文的相关算法能够迅速准确地检测、识别并跟踪运动车辆。