在智能交通系统中，对无人监控场地中的运动车辆实现自动监控是现今研究的焦点，涉及到了图像信息采集、视频流处理和模式识别等各方面的知识。针对日常交通视频中的运动车辆检测和车牌识别等问题做出了如下研究:　　(1)针对视频流图像中普遍存在噪声的问题，提出一种基于稀疏性的视频图像去噪方法，该方法利用一种比小波变换更能保护图像细节信息的脊波变换对图像去噪。　　(2)运动车辆检测模块中。提出了一种融合隔帧差分和背景减除的运动车辆检测算法，该算法采用改进的统计平均法提取背景解决了以往的背景建模方法容易将运动目标混入背景的问题。背景更新采用一种新的双权值更新策略，在交通状况复杂的场景中也能够实时更新得到可靠的背景。　　(3)在车牌识别模块中。充分应用牌照的颜色、形状和纹理等特征信息，分为两步对车牌区域进行定位。由于在定位之前对图像进行了灰度化及边缘检测，减少了计算量，提高计算效率和速度，进而减少车牌的误定位，为车牌字符的正确识别打下坚实的基础。在倾斜校正部分提出一种基于曲线拟合与垂直投影的倾斜校正方法对分割出来的车牌进行校正，测试结果表明校正后的车牌字符分割的效果较好。最后，根据视频流处理实时性的要求利用模板匹配与局部细节特征相结合的方法对分割的字符进行识别，该识别方法优于传统的模板匹配识别方法，对易混淆字符也有很好的识别效果。　　利用VS2008和OpenCV开发了软件系统并进行了实验。实验结果表明给出的动态视频车牌识别系统的识别率能够满足实际要求，并且识别效果较好。