道路交通行业的蓬勃发展促进了智能交通技术的不断研究，而目标轨迹提取技术研究是智能交通技术中的重要组成部分之一。车辆目标的运动轨迹是目标宏观的运动特征，包含了丰富的车辆运动信息，是目标车辆行为分析、交通参数和交通状况检测的基础，并且在一定程度上影响了其准确性的高低。准确地提取和描述目标运动轨迹的前提是将目标从背景序列中提取出来，并实现目标的稳定跟踪。本文以车辆目标运动轨迹提取算法为主要研究内容，以找到在场景变化、光线变化、车辆遮挡、车辆尺度变化等环境下仍能稳定、准确地实现目标的跟踪，获取目标运动轨迹的算法为目的，分别对基于目标分割的跟踪算法、基于局部特征的跟踪算法，尤其是基于特征角点的跟踪算法进行了较为深入的研究。分析了目前的运动目标检测算法，采用相邻三帧图像帧差的结果的与运算来进行运动目标检测，对目标进行分割，然后利用求和绝对误差准则实现基于目标分割的跟踪，并在多种环境下进行实验。回顾了目标的常见特征，介绍了经典的SIFT、SURF特征描述子的构造方法，并利用SURF算法实现目标跟踪。采用改进的帧差法进行目标检测，来确定特征角点的选择区域，进一步改进了Moravec算法，提取鲁棒性更好的角点。设计了一种动态的角点筛选算法，优先保留优质角点，改善了目标特征角点数量过多、分布密集的现象，避免同一目标上的角点数量保留过多。在模板设计方面，舍弃基本模板的平滑区域，利用不平滑区域构建新的匹配模板，并根据车辆形变来调整模板尺寸。设计一种新的模板数据更新算法，利用匹配点间的距离进行模板更新，解决了基本的模板数据更新算法导致的误差累积以及匹配点漂移问题，提高了跟踪精度。利用Kalman算法对目标进行运动估计，使得跟踪轨迹更加光滑，并利用预测匹配点位置，缩小目标的搜索范围，大大减少了计算量。在多种场景下对基于特征角点的跟踪算法进行测试，结果表明本文所设计的基于特征点的跟踪算法能够对目标实现准确实时的跟踪以及运动轨迹的提取。