实现对交通场景中车辆的实时监控并且从中得到实时路况信息，是智能交通系统实现车辆调度和管理的重要前提。而视频监控和智能视频分析技术是在智能交通系统获得实时路况信息的重要方式。本文的工作是研究交通场景中的运动车辆流量检测问题，针对自适应背景建模、运动目标阴影检测和目标分割、目标跟踪等问题做了研究，并对相关问题的解决方案提出了新的算法或者改进方案；最后并通过DSP将所设计的算法框架移植到嵌入式设备中实现。本文主要任务和工作如下：第一，针对自适应背景建模和运动目标驻留问题提出了一种新的背景建模方法——颜色空间浮动气球模型（BalloonModel）。该方法通过在颜色空间建立浮动气球模型并建立气球浮动规则实现了对背景的自适应更新。本章通过对常见运动检测算法的研究，比较了混合高斯模型背景模型法、VSAM自适应背景模型等自适应背景建模方法和本文提出的算法，通过实验仿真结果表明本章提出的算法解决了背景更新和运动目标驻留问题，并且通过实验分析比较了算法在精度和实时性方面的性能。第二，针对阴影干扰问题提出了一种新的适用于交通场景的阴影检测算法——多重掩模算法（MultipleMaskMethod）。该算法通过融合颜色和角点信息实现了对运动车辆阴影的分割。并通过视频测试和实验数据分析，表明该方法较已经存在的算法有较好的阴影检测效果。第三，设计一种新的目标跟踪方法——曲面滑动模型法（CurvedSlidingMethod）。通过对基于区域的跟踪算法的研究，鉴于基于区域统计特征的匹配准则函数在可搜索匹配区域内总是呈现峰值特性，结合梯度下降法的优化思想，设计一种新的基于曲面滑动模型的跟踪算法。该算法在原理上最大程度地减少了目标模板在输入帧中的匹配次数，使得匹配路径沿着匹配准则函数曲面最速下降梯度方向滑动，使得沿着局部最优路径迭代直至最优值。第四，通过上述对各个环节方法的研究，即对运动检测、阴影检测和目标分割、运动目标跟踪三个环节的叙述，将上述环节整合成一个完整的视频分析算法框架；同时将该算法框架在一个系统中进行软件实现，并通过嵌入式DSP进行硬件实现。通过嵌入式设备集成开发环境调试并优化代码，实现对运动车辆的车速、车流量等的检测。