目前，基于视频序列的交通对象的检测与跟踪是智能交通系统设计的一个重要研究方向。视频目标检测与跟踪技术在智能交通方面主要应用于自动车辆驾驶、交叉口检测、交通标志的检测和识别、交通流量检测、交通安全监视、交通管理。视频目标检测与跟踪的目的是使得计算机能够像人类一样具备自主感知环境的能力，为后续的行为分析和理解提供重要的数据依据。本文针对视频交通对象检测与跟踪中的一些关键问题进行了探索和研究，主要涉及的研究内容包括：(1)在基于混合高斯背景建模基础上，利用贝叶斯先验理论进行状态估计，多项分布的共轭先验进行模型参数估计，提出了一种改进的自适应的高斯混合模型的背景减法。该算法将计算后验分布转化为计算先验分布，从而解决由于后验概率带来的复杂计算问题，且能根据得到的后验分布实时更新背景，较好消除光照强度变化、系统扰动等原因带来的问题等。(2)在阴影检测算法方面，根据阴影遮挡前后区域的RGB通道的敏感程度，采用归一化判据，来区分阴影点和阴影点附近的目标点。综合根据阴影的色彩特征得到疑似阴影区域和直接阈值化前景区域的疑似阴影区域，判断得到最终的疑似阴影区域。(3)考虑到传统的Kalman、Mean shift、粒子滤波算法在处理复杂场景的时候都会存在一定的缺陷，提出了一种结合基于最大模糊熵高斯聚类的改进Kalman算法与Meanshift算法进行目标跟踪。该方法利用基于最大模糊熵高斯聚类融合目标检测点，减少对不支持数据点的搜索，因而能快速搜索到预测目标在当前时刻的起始位置，然后利用Mean shift算法在该搜索位置的邻域内寻找目标。实验证明该改进算法可以有效处理复杂场景下的目标被遮挡、目标形态和背景变化较大等带来的问题。(4)在综合所陈述的检测、跟踪原理的基础上，采用Visual Studio2005和Opencv库作为开发语言，设计开发了基于MFC的实验平台，实现了三种的主流检测算法和提出的目标跟算法，并检验算法的合理性。