针对高速公路车道实时监控场景中:传统人工监控方式难以快速检测异常事件发生、检测准确度低、监控成本高导致无法高效率判别交通运行状态的问题,该课题设计了基于视频图像的高速公路异常事件实时检测系统。提出了改进后的YOLOv3算法,实验验证了改进后的算法,在实时检测条件下,检测精度有了进一步提高。通过改进DEEP-SORT算法中车辆特征描述方式,极大的提高了车辆跟踪速度。在研究了车辆目标检测、跟踪算法的基础上,结合高速公路实时监控图像,最后该系统实现了实时检测车辆超速、车辆拥堵功能。首先,现场调研了高速公路公司监控系统,收集不同路段、光照、天气等环境下的高速公路监控视频后,建立了完整的车辆数据集,为后续训练车辆目标检测模型奠定数据基础。然后,使用标注工具对全部样本进行车辆分类标注,并划分数据集。在此基础之上进行车辆目标检测算法研究,改进了YOLOv3损失函数中的边框回归方式,使用改进后的车辆检测方法,再通过实验分析了不同损失函数、训练数据规模构建出的模型车辆检测精度,验证了算法改进后的模型性能及目标检测速度。阐述了传统目标跟踪方法后,改进了基于实时多目标跟踪的DEEP-SORT算法,通过实验分析了改进后的算法,在检测效果基本相同的情况下,提高了车辆跟踪速度,从而增强了该系统的检测实时性。最后,在上述车辆目标检测、车辆跟踪等研究成果的基础上,定义了异常事件检测算法。以高速公路异常事件的监控视频图像为实例,完成了异常事件检测系统调试和分析,可以自动检测出视频中车辆超速、拥堵异常事件,实现了高实时、高准确性的异常事件检测功能,为高速公路采集交通信息、提前捕捉紧急事件征兆能力提供了有力支撑,保证了现场救援的及时性,使车道交通状态运行良好,提高了高速公路公司的整体服务质量。