早期图像处理技术的应用范围受到图像处理设备价格昂贵以及处理速度缓慢的影响，仅局限于某些领域；及至70年代后至今，随着理论的发展与集成电路革命造就计算机科技的进步，使得图像处理的应用范围渐广。
　　　　美国于1978年由联邦高速公路局委托E.E. Hilbert、C. Carl、W. Gross、G.R. Hanson、M.J. Olasaby及A.R. Johnson发展宽域检测系统(Wide Area Detection System , WADS)，其它各国如日本、法国、英国、瑞典等也已陆续投注了相当的研究，并有不错的成绩。相对于国外，国内将图像处理技术应用于交通的发展，在近年已经有相当程度的进步，如国内目前相当热门的车牌识别，有多个厂家推出了相应的产品。下面将针对图像处理技术在交通上的应用分车辆检测、车种识别、车辆跟踪三个部分做简单介绍。
　　　　一、车辆检测
 　　　　车辆检测的方法可大致归类为样本点检测、检测线检测以及全画面式检测等途径，另外针对夜间车辆检测进行说明如下：
　　　　(1)样本点检测
　　　　在车道的某一部分选取类似矩阵的样本点，当车辆通过时，样本点之灰阶值与原路面不同，若两者相减的统计值超过某一门槛值，即表示车辆的存在。
　　　　(2)检测线检测
　　　　此法是于垂直或平行车流方向布设由象素组成之虚拟检测线，如图2所示。一般由亮点来组成，以方便区隔路面与检测线的象素深度。当车辆通过检测线时，线上的灰阶值与没有车辆通过路面时有差异；若灰阶值的差异大于某门槛值，则表示有车辆通过。由于样本点或检测线检测法仅撷取部分象素资料进行处理，处理的资料量明显减少，因此运算时间缩短许多；为了达到实时(Real-Time)检测的要求，目前已实际运用于交通检测的图像处理系统AUTOSCOPE便是以检测线做处理。
　　　　在车辆运行单纯的路段，以样本点或检测线作为车辆检测的途径可获得不错的结果；但在复杂的路口内，如何布设样本点或检测线将是首先遭遇的难题，因为路口内车辆除直行外，尚有转向行为，任何位置均可能有车辆出现。
　　　　(3)全画面式检测
　　　　以全画面作处理的车辆检测方法所能获得的信息较多，但相对地要处理的资料量也明显增加许多。属于此法的检测方式有背景相减法与二值化法两种：背景相减法系取一张无车辆存在的图像作为背景，当含有车辆的图像与背景图像逐点相减后，车辆的部分即被减出，如TRIP系统。二值化法将图像以某一门槛值进行切割，象素深度高于该值的成为255(白)，低于该值者则变成0(黑)，如此可将物体与背景分离。
　　　　背景相减法与二值化法均存在许多缺点，前者如背景需要经常更新，后者则过程繁复，而二者共同的缺点便是当物体颜色与背景相近时将面临切割失败的命运，此外，门槛值确立不易，故有多值切割方法的提出，但过程益显复杂。
　　　　(4)夜间车辆检测
　　　　国外R. Taktak、Rita Cucchiara、Cucchiara等人认为由于夜间图像所具有的信息与白天图像相当的不同，因此在算法的使用上与检测流程上会有相当程度的不同。一般而言在夜间与较暗的照明度之下，唯一醒目的视觉特征为车头灯与其光柱、街灯以及高度反射光线的型态(如斑马线)。他们认为夜间图像并不适合用移动检测算法。
　　　　二、车辆识别
　　　　(1)车辆识别
　　　　由于国内与国外交通组成的不同，国外的研究仅对大车与小车两种作辨认，而国内则较复杂，但一般研究均简化车种为大车、小车与机车，以此三类做识别。
　　　　以检测线或样本点作为识别车种的途径时，由于所取资料量少，较不利于车种识别，故以此法进行者较少。就日间图像的车辆识别来说通常以车辆的特征如：外型、尺寸为分类准则。相关文献整理如下。
　　　　近年发展迅速、应用到许多领域的“类神经网络(Neural Network)”也被应用到车种的识别上。此外，亦可藉由车辆牌照途径，将号码图像二值化，以特征匹配的方式识别并记录该车牌号码，透过数据库的比对，每个号码可对应于某一车种，可用于抓拍违章车辆、车辆计数、车种识别、起迄点调查与旅行时间分析等。
　　　　(2)车牌识别
　　　　车牌识别的技术近年来在国内已经日趋成熟。有些学者认为车牌识别可分三阶段：前处理，将图像二值化后进行清除噪声。而后车牌定位，利用连接组件标示法，找出图像中之连接组件加以分析，进而判断车牌位置。字符识别，分割字符完毕后依文字大小设定结构组件之大小，最后利用型态学的方法找出文字特征加以比对。
　　　　还有一些学者采用其它方法，如搜寻车牌后以图素分割法切割字符住后利用类神经网络识别字符；或者利用灰阶转换数之计算找出可能之车牌位置，再分割字符，在利用笔划分析法识别字符；或者利用图像中灰阶值之变化特性寻找车牌位置，在利用垂直投影直方图分割字符，以灰阶值关连度进行识别。
　　　　(3)车辆跟踪
　　　　连续图像中，车辆轨迹的记录即称为跟踪。Anthony P.Ciervo最先提出以检测车辆并配合预测车辆位置的方式，连续跟踪车辆的轨迹。其中以样本点或检测线方式做跟踪者，由于选取的象素仅局限于某固定范围，处于被动状态，较不利跟踪之进行。N.Hoose便是以各临近方向均为双向二车道的 T 字型路口为例，在进入路口前及离开路口后之车道上布设横向检测线屏蔽(Mask)，以记录车辆进入与离开之临近方向编号，同时对车辆在图像上的形状、大小与位置等资料作记录，以跟踪车辆，但误差颇大。总结而言，车辆跟踪的方法有下列四种：模式基础跟踪(Model based tracking)、区域基础跟踪(Region based tracking)、轮廓基础跟踪(Active contour based tracking)、国外研究文献中仅针对各车道的单一车辆进行跟踪，要了解路口内车辆运作之机制，非得在同时间针对路口内所有方向的车辆做跟踪处理不可，否则取得的仅为残破的信息，对整体的助益有限。    随着行业的发展，印刷业也逐步普及机器视觉技术的应用。基于机器视觉技术的印刷质量自动检测等新技术不仅简化了生产流程，而且能大幅度的降低成本，提高生产效率。随着印刷机械自动化程度的提高，印刷品质量检测与控制的快速化灵敏化也是质量检测与控制的必然趋势，而机器视觉技术的应用优势也不段的体现出来，在印刷过程中对印刷品质量的检测既能适应高速印刷，同时又能准确地检测出微小的故障，并能将检测信息迅速反馈给印刷机，已经成为行业不可获缺的解决方案。