随着我国城乡一体化进程的不断加快以及私家车的逐渐增多，道路交通管理系统的承载力显得越来越有限，因此基于视频的智能交通系统就显得尤为重要，已成为发展现代道路交通的重要内容。运动车辆的实时检测和实时跟踪是现代智能交通系统中的核心内容和关键技术，为智能交通系统提供道路上的实时交通信息，其性能直接影响到运动车辆行为分析和行为判断等后续处理的结果。本文主要研究了常用的运动车辆检测方法与跟踪方法，并对背景更新方法和跟踪方法分别进行了改进。　　 针对基于分块思想的选择性背景更新方法存在块与块之间衔接不自然、抗干扰性弱等不足，提出了在分块思想的基础上引入滤波和逐渐修正的背景更新方法。该方法首先将图像分成区域小块，然后根据对应小块的均值和方差确定前景区域、背景区域及其变化大小，最后对前景区域和背景区域分别进行更新。　　 针对利用卡尔曼滤波进行运动车辆跟踪过程复杂的问题，考虑到相邻两帧时间间隔很短，可以把相邻两帧运动车辆区域面积重叠率作为车辆跟踪的预测机制，提出了以面积重叠率作为预测模型的运动车辆跟踪方法。该方法首先提取前后两帧中所有车辆的最小外接矩形框等特征，把与前帧中面积重叠率最大的车辆作为最佳预测，然后根据提取的车辆特征进行匹配，从而完成车辆的跟踪。　　 通过仿真实验证明，改进的背景更新方法效果更好，并且用于运动车辆检测的正确率提高了9.6％、时间效率也提高了19.9％;改进的区域匹配运动车辆跟踪方法简化了跟踪过程、减少了计算复杂度，时间效率有一定提高，并且不影响其跟踪正确率。同时，该方法可推广应用于其它区域匹配跟踪。