通过数字化、信息化手段实现对交通区域内的目标感知以及事件识别,有助于保障交通安全、缓解交通拥堵、减少交通事故,提高公路运行效益和交通管理水平。公路监控系统的视频影像作为一种容易快速获取且廉价的数据采集手段,成为现代智能交通系统的重要数据源之一。因此,开展基于视频图像的公路环境目标感知与交通事件智能识别研究已成为智能交通领域的关键科学问题之一。实现交通目标感知,首先是对交通环境中的各类目标进行准确检测,获取某个时刻图像中各目标的位置以及类别信息。然后在目标检测的基础上,对视频连续帧中的目标进行跟踪,生成目标在某一时段的运动轨迹。通过运动目标的轨迹分析,结合交通事件的语义描述,对可能涉及的交通事件进行自动判断。然而在实际工作中,由于公路环境的复杂性,对各类别目标的准确检测和跟踪并未易事,加之交通事件类型多样,导致缺少普适性的识别方法。此外,对于较少发生但危害巨大的异常事件,往往会因为难以收集足量的训练样本而无法采用传统监督学习的方式训练出表现鲁棒的算法模型。针对上述问题,本论文按照底层目标感知到事件语义认知的研究思路,开展了复杂交通环境下的目标检测、多目标跟踪、一般性交通事件识别和异常事件识别与检测等相关问题的理论与方法研究。主要研究内容和创新性成果如下:（1）复杂环境目标检测研究是实现目标感知的基础。传统目标检测方法大多基于颜色、纹理、形状、梯度等手工特征,其表达能力较弱,导致基于手工特征的目标检测算法往往鲁棒性不够。而诸如卷积神经网络等深度学习模型因其具备更好的数据拟合能力,能深度挖掘目标不同特征的内在联系,实现底层特征与高层语义特征的融合表达,具有较强的鲁棒性。因此,目前基于深度学习的目标检测方法成为主流。然而,监控图像中的交通目标存在其特殊性,不仅需要考虑雨、雾、雪等天气变化以及运动模糊、遮挡等因素对其外观特征的影响,还需要关注因监控视角“近大远小”造成的目标尺度的变化对特征的影响。而以faster R-CNN算法为代表的深度学习目标检测方法对目标尺度变化的敏感性不足,尤其是对远处的行人、交通指示牌等尺度较小目标的特征表达能力有限。针对该问题,本文提出了基于改进faster R-CNN的交通目标检测方法,并通过实验论证了本方法能提高复杂交通环境下交通目标的检测精度,为后续多目标跟踪中目标的运动特性研究提供数据支撑。（2）在实现各类交通目标准确检测的基础上,开展以多车辆运动轨迹的实时生成为目标的多车辆跟踪研究。在多车辆跟踪任务中,需要面对部分遮挡以及甄别外观相似的车辆目标这两大问题。针对外观相似目标的甄别问题,本文充分考虑了目标特征表达的类内和类间判别性,创新性地提出了目标特征稀疏化表征方法。对于目标间的部分遮挡问题,本文从理论和实验的角度分析了1-Wasserstein距离（WD-1）在相似性度量方面的优势,并创新性地引入改进WD-1作为多车辆跟踪方法中特征相似性度量的测度。以此提出了基于改进Wasserstein距离的监控视频多车辆跟踪方法,并将其与多个主流多目标跟踪方法进行实验对比,实验结果验证了本方法的先进性。（3）综合目标的外观和运动特征,将其作为目标的底层信息,在此基础之上,通过明确交通事件在不同语义粒度下的组成结构,挖掘其内在的相互关系和推理机制,提出一种基于层次语义描述的交通事件识别方法,实现了底层对象的时空信息到高层事件语义概念的过渡。目前,相关的交通事件识别研究往往只是针对某一种交通事件进行识别,本方法通过实验验证了基本可以实现包括违章停车、逆向行驶、行人以及机动车闯红灯、拥堵在内的大部分交通事件类型的准确识别。因此,本方法更具普遍适用性。（4）基于深度学习的道路环境异常事件识别大多是采用监督式学习的方式,需要大量的标注样本才能训练满足要求的模型。然而,类似火灾等异常事件较为罕见,增加了样本收集的难度。若直接利用语义相关但不同场景的图像作为训练样本,则会出现域漂移问题。本文以火灾事件为例,针对域漂移问题,通过理论研究与实验分析,借鉴领域自适应技术的思路,并针对监控场景和无人机视角场景,分别提出基于对抗自适应的火灾识别和检测方法。不同于以往领域自适应方法中将源域和目标域数据映射到同一特征空间,并迫使其在该空间内对齐的思路,在本方法中,将源域和目标域数据映射到不同的特征空间,分阶段优化各自的映射函数,并通过对抗自适应的训练方式使不同域的特征分布对齐。实验证明,本方法可以提高模型对当前域数据的判别能力,改善火灾事件的识别与检测精度。本论文从公路与城市道路的目标感知与交通事件识别的实际问题出发,完成了交通目标检测、多目标跟踪、一般性交通事件识别与异常交通事件识别与检测等五个研究课题相关数据的标注与处理、模型搭建、训练和验证等环节,同时从上述课题的实用性和适用范围等方面提出了展望,为交通数字化、信息化管理提供可靠的技术支撑。