智能交通系统中，交通视频中车辆的检测和跟踪一直是倍受重视的一个热点和难点问题，对其进行研究不仅是进一步车辆行为判断的需要，同时也能为智能交通系统提供许多必要的参数信息的支撑。在实际的交通视频场景中，环境的复杂性和场景不断变化的特点通常会给车辆目标的检测和跟踪带来难度，如何使车辆目标的检测和跟踪算法在具有准确性的同时，对场景和环境等复杂因素保持较高的鲁棒性一直是受到关注和追求的目标。为了达到这样的目标，传统的基于单一特征的方法很难适应这样的需求，而基于实际环境的多特征信息融合和互补为实现该目标提供了可能。本文对交通视频中车辆目标检测和跟踪方法进行研究，在对交通视频场景中目标的多种特征进行挖掘和提炼的基础上，结合相应的数学模型和方法对其进行融合。　　本文的主要研究成果包括：　　1.提出一种基于小波边缘信息的交通视频对象分割检测活动轮廓模型，该模型通过增加边缘因子项，并将其融入到C-V模型中，在车辆检测的过程中既考虑到目标的区域信息又兼顾了边缘信息，保证了复杂环境下对车辆目标分割检测的准确性以及鲁棒性，同时通过增加了边缘信息的约束，使模型的演化速度得以提高。　　2.针对传统 MS（MeanShift）算法在复杂场景目标跟踪时易受到相似目标干扰导致跟踪目标丢失的问题，提出一种基于Contourlet直方图约束的MeanShift交通视频车辆目标跟踪算法，首先利用Contourlet轮廓波提取交通视频中感兴趣区域下跟踪目标的纹理特征和轮廓，然后利用Contourlet子带的直方图统计跟踪目标的纹理特征，在感兴趣区域中确定跟踪目标的轮廓，通过Kalman滤波确定跟踪目标轨迹的最优估计值，在此基础上构建优化的MS跟踪迭代算法。所提出的算法能够很好的对车辆目标进行有效跟踪，同时对复杂环境具有很好的鲁棒性。