随着我国汽车产业的快速发展，智能交通系统已经成为现代交通管理的重要手段。在智能交通系统中，运动车辆的检测与跟踪是基础也是关键点，是交通事件检测的基础。　　 本文首先研究了视频图像的预处理方法，对采集的视频图像质量进行改善，为后续的图像分析做准备。　　 在运动车辆的检测中，本文深入分析了几种运动前景的检测方法：帧差法，光流法与背景模型方法，并对比了几种方法的检测效果，采用了对干扰适应性较强的混合高斯背景模型方法检测运动目标。然后对检测出的运动前景图像进行OTSU阈值分割，采用形态学方法进行去噪以及孔洞填充，得到完整的运动目标。由于交通场景的复杂性，获取的运动目标可能存在阴影。因此，本文对目标阴影的特性以及现有方法进行了分析，采用了一种基于颜色特征的阴影去除方法。　　 在运动车辆的跟踪中，本文对基于SURF与Kalman滤波的目标跟踪方法进行研究。该方法是通过提取运动目标的特征点进行匹配，并结合Kalman滤波算法对运动目标位置进行预测。实验表明该方法对光照变化的场景跟踪具有一定的鲁棒性，但是实时性较差。针对SURF算法的缺陷，研究了Camshift算法。该算法时间复杂度低，但是仅对于目标与背景颜色差异较大的简单场景效果较好，并且不能解决目标遮挡的跟踪。因此，本文在Camshift算法中引入Kalman滤波，较好的解决了目标与背景颜色相似的场景跟踪以及目标被部分遮挡的问题。　　 在运动车辆检测与跟踪的基础上，本文对闯红灯事件检测、违章停车检测以及车流量检测的方法进行了研究。