随着人们生活水平的不断提高和社会经济的不断发展以及社会对交通运输需求的不断增加，智能交通监控设备得到了广泛应用。目标检测及跟踪是智能交通监控系统实现的关键，也是场景分析、行为理解等后续分析的基础。由于实际环境中目标运动的复杂性，使得目标检测和跟踪存在各种困难，本文主要研究运动车辆提取、运动车辆跟踪的实现，重点与难点在于解决遮挡情况下车辆跟踪的问题。　　首先，提出了一种改进的车辆检测算法。在运动车辆检测模块，在分析背景差分法、帧间差分法及光流法这三种车辆检测方法优缺点的基础之上，提出了双向隔帧相乘法与平均背景差分法相结合的一种改进算法，该方法在保证实时性的基础上，既保留了双向隔帧相乘法的完整的轮廓，又保留了平均背景差分法的完整的内部信息，能够提取更为完整的运动车辆前景信息。　　其次，分析了几种常用的车辆跟踪算法的优缺点，特别地，重点分析了Mean-shift算法的理论基础及在车辆跟踪方面的应用，并具体实现了通过Mean-shift算法对多目标无遮挡车辆的跟踪。在此基础上提出了解决遮挡情况下车辆跟踪问题的一种车辆跟踪的两级框架：NP级（No-Partial Level）和SF级（Serious-Full Level）。在NP级，采用Mean-shift算法对车辆进行跟踪，将目标车辆的颜色直方图作为特征。在SF级，本文提出一个推理模型，检测到的车辆在构建的遮挡层图像和采集的图像中同时进行跟踪。对于每个检测到车辆，根据车辆的遮挡状态选择执行NP级的跟踪算法还是SF级的跟踪算法，从而达到有效跟踪遮挡车辆的目的。　　最后，对本文算法和现有算法进行了跟踪效果等方面的对比。实验结果表明，本文算法能够有效解决跟踪过程中出现的部分遮挡和全遮挡问题。