在智能交通系统中，道路车辆运行信息检测与处理是基础环节。基于视频的车辆运动检测方法由于灵活性好，可靠性高，已成为该领域的主流发展方向。论文结合交通路口监控的实际特点，对车辆运动视频检测问题进行了深入探索，特别对监控场景的背景提取、运动分割与标记、运动估计与轨迹跟踪这三个车辆运动视频检测中的核心问题进行了深入研究，在此基础上完成了实际系统设计与实现。　　监控场景的背景提取是车辆运动检测的基础，论文首先研究了背景提取算法。针对实际应用中对光照变化和繁忙交通状况下算法稳健性的要求，提出了基于纹理特征的自适应背景更新方法。通过计算图像区域的灰度—基元共生矩阵熵作为纹理特征检测目标运动，根据图像中各像素亮度的混合高斯分布模型，基于期望最大化算法对背景进行自适应更新。该方法综合了纹理运动分析方法对光照变化不敏感和基于统计模型方法自适应背景更新的特点。实验结果及分析验证了提出方法的有效性及稳健性。　　由于实际场景及车辆特征的复杂性，采用当前帧与背景差分的方法无法得到理想的目标分割效果。针对该问题，提出了基于小波的运动分割方法。首先对原始帧进行多分辨率小波分解，以提高计算效率。利用连续帧图像的小波分解高频分量生成模历史图像，然后进行边缘检测，得到完备的边缘信息并消除阴影影响；利用当前帧小波分解低频分量和背景提取算法获取前景目标团块，然后与边缘信息相融合，从而实现准确定位和快速标记，有效处理因阴影产生的多目标粘连问题。　　为对运动目标行为进行进一步分析和判别，需建立车辆的实时运动轨迹。实际场景中目标丢帧及因部分遮挡引起的目标粘连是该问题的难点所在。为此，提出特征点运动估计与Kalman预测滤波相结合的解决方法。首先根据目标分割结果，使用Kalman滤波器进行运动目标位置预测及滤波，以建立目标运动轨迹。同时检测目标的特征角点，采用多分辨率Lucas-Kanade光流方法进行特征点运动估计。在发生目标丢帧时直接应用Kalman滤波得到的预测结果；出现目标遮挡时则应用运动估计结果为Kalman滤波提供测量值，计算目标运动轨迹。实验结果验证了所提出方法的有效性。　　论文最后针对实际需求，设计并实现了智能交通监控系统，重点针对视频车辆检测及相关子系统的设计及性能优化问题进行了研究。首先给出了智能交通监控系统的整体构成，提出了根据系统功能及硬件特点的完全多线程系统设计方法，解决硬件同步和模块解耦问题，通过层次化线程管理来简化线程间通信问题，充分利用现代中央处理器的SIMD和超线程技术提高视觉处理效率。通过系统运行的实际数据和性能指标对比表明，本文所提出的理论方法适用性强，实时性好，准确度高，所设计的系统易于扩展，在全国98个城市进行了实际应用，检测指标领先于同类交通车辆检测系统。