智能交通系统是计算机视觉的一个重要研究方向，运动车辆检测是智能交通中关键和最为基础的课题，优秀的运动检测方法被不断提出，但由于交通视频场景本身的复杂多变性，现有的检测技术还需更进一步完善。本文是在前人成果的基础上，对交通视频场景，尤其是含有大量背景干扰场景中运动车辆检测的关键性技术进行研究。主要包括以下几个方面： 1.一般的运动检测都是基于视觉的，本文同样是从视觉的角度来检测运动物体。获取的视频序列是否清晰直接影响到后续的运动检测精度。本文介绍通用的图像增强技术：图像平滑、图像锐化、灰度增强，并分析它们在图像增强中的作用。 2.分析了典型的运动检测方法：帧差法、背景差法、光流法。针对典型算法在含有大量干扰背景的交通视频场景存在大量误检的缺点，介绍了一种对运动向量建立高斯模型的运动检测方法——高斯运动模型，并指出其缺陷：将所有车辆的运动向量认为是服从同一分布。然而很显然相向行驶的车辆不服从同一分布。本文提出的改进算法与以往改进模型不同的是：不是通过增加高斯模型的个数来精确模型，而是通过变量变换，使得相向运动车辆的变换运动向量服从同一分布，这样做的优点是一方面充分利用相向行驶车辆间的相关性，得到更精确的模型，另一方面降低了算法实现的难度和运算量。此外由于运动向量对视觉角度的敏感性，本文介绍了视觉坐标转换的通用算法，并将其加入到车辆检测框图中。在仿真试验中，本文的改进算法与以往算法相比，取得更高的检测精度。 3.高斯运动模型建模的对象是运动向量，运动向量是否精确直接影响到运动检测的精度。运动向量需要通过运动估计求取，但现有的运动估计算法都是面向视频压缩编码的，本文分析视频压缩编码和高斯运动模型下各自运动向量求取目的的不同，给出了适合高斯运动模型的运动向量求取，实现了更为精确的运动车辆检测。