由于经济的快速发展，各个城市的汽车拥有量不断增加，如何解决由此带来的交通拥堵问题是一项刻不容缓的任务。目前交通管理部门在道路上安装的各种传统交通检测器，由于其成本高、采集交通参数单一、精度低、检测范围小等缺点，无法广泛地应用到交通控制管理中。利用现有的安装在各条道路上的监控摄像头采集的交通视频，对这些视频采用计算机视觉技术进行处理和分析，自动获取车流量、车速、车型、占道率等交通参数，进一步评判道路通行状态，这已经成为智能交通系统（ITS）发展的一个重要方向。本论文针对基于视频的交通参数采集系统中的车辆检测、车流量统计、车型分类、道路通行状态评判等关键部分进行研究：在车辆检测部分，介绍并分析了几种常见运动车辆检测方法，最后选择采用EM算法改进的GMM运动检测算法分割出运动车辆，实验证明该算法在各种户外条件下都能很好的分割出运动车辆，且能够满足实时检测系统的要求。针对复杂环境下车辆检测问题提出了相应的解决方法：通过在视频画面中设置ROI区域，减小计算量，同时排除了非道路区域中扰动目标对后续跟踪处理的干扰；采用一种融合边缘特征的阴影消除方法，解决了强光照射条件下移动阴影影响车辆目标提取的问题；采用彩色图像直方图均衡化方法，在一定程度上增强雨雾及光线不足条件下拍摄视频图像的对比度；采用了一种基于区域特性的遮挡分割方法，解决车辆动态遮挡问题。在车流量统计部分，采用基于Kalman滤波算法的跟踪方法来跟踪车辆，通过Kalman滤波器来预测下一帧中目标轨迹的位置，然后在该预测位置附近进行车辆匹配，缩小搜索范围，提高匹配速度；针对跟踪过程中由于前景分割失败造成目标跟踪失败的情况，对目标大小进行预测，更新运动模型，增强了跟踪算法的鲁棒性，最后利用跟踪结果实现车流量的统计。在车型分类部分，利用运动车辆检测的方法得到的二值车辆前景图像，提取前景区域的重心位置、面积、轮廓周长、长宽比、紧密度等几何特征，形成特征向量，采用BP神经网络设计车型分类器，对城市道路上的车辆进行分类。在道路交通状态评判部分，针对可分割出运动车辆和无法分割出运动车辆两种情况，提出了相应的交通状态评判方法。