基于视频的车辆检测是智能交通系统的基础和关键，也是计算机视觉领域的研究热点。随着研究的深入，近年来提出了许多新的车辆检测算法，逐步解决了检测过程中出现车辆阴影与背景扰动的问题，然而这些算法仍然存在着一些缺点和不足，如没有考虑雨雪雾霾等恶劣天气环境下视频图像的噪声和干扰问题，以及车辆检测算法的复杂度高所带来的实时性问题等。因此，本文针对当前基于视频的车辆检测算法中存在的噪声干扰和实时性问题，提出了具体的提高检测率和实时性的方法。主要的研究工作有以下两个方面：　　（1）针对视频中噪声影响车辆检测率的问题，深入研究了中值滤波、维纳滤波和小波滤波这三种常用的去噪算法，分析它们在实际应用中的不足，提出了一种基于稀疏表示的视频去噪方法。利用K-奇异值分解( K-Singular Value Decomposition，K-SVD)算法训练过完备字典，将噪声图像在过完备字典上稀疏分解，根据图像信号能够在过完备字典上稀疏分解而噪声不能稀疏分解的原理，去除噪声，恢复图像。与上述三种去噪方法相比，本文提出的去噪方法能够明显提高恶劣天气或环境下视频图像的信噪比，改善图像质量，有助于提高车辆的检测率。　　（2）围绕背景差分方法中如何建立高鲁棒性的背景模型问题，在深入分析和研究均值法、单高斯背景模型和混合高斯背景模型三种经典的建模算法的基础上，提出了一种基于混合高斯的多模态模型的优化方案。由于建模过程中所得到的所有模型都有可能是背景模型，模型权值较小的像素中有可能也包含了真实背景像素。因此，舍弃建模过程中模型匹配后的权值排序、累加值与阈值比较这两个计算步骤，从而达到既能建立更真实的背景模型又能降低算法的计算量的效果。最后，利用质心跟踪法完成多车辆的跟踪，并统计车流量。实验结果表明，本文提出的基于混合高斯的多模态建模的车辆检测算法具有抗干扰能力强、计算量低和检测效果好的优点。