随着汽车的普及,交通事故已经成为现代社会的第一公害.特别是在国内,交通事故引起的人员伤亡和财产损失的数目更是触目惊心.尤为引人关注的是,在世界范围由于人为因素造成的交通事故占85%左右.而在我国,交通事故更是95%左右都是人为因素造成.为此,利用各种传感器(如视觉传感器和雷达传感器)技术,提高对路面对象的辨识能力,给驾驶人以更多的安全警示及辅助,从而提高车辆的主动安全性,是智能交通系统(Intelligent Transportation System, ITS)领域发展的重要方向.视觉传感器由于成本低、提供的视野信息范围大,因而基于视觉传感器的路面对象识别是ITS领域近些年的研究热点之一.目前,基于视觉的路面对象识别方法大部分都遵循两步法步骤,假设产生和假设验证.假设产生用于得到感兴趣区域(ROI, Region of Interest),假设验证用于对ROI进行对象(车辆和摩托车)存在性验证.机器学习方法是用于假设验证的主要方法之一.由于基于机器学习的假设验证方法比其他假设验证方法具有更大的潜力和更好的应用价值,使得其成为基于视觉的道路对象识别中的研究热点.当前,研究人员提出了许多基于机器学习的道路对象识别方法,本文在对当前机器学习方法在道路对象识别中所存在的以及需要进一步研究的问题进行深入分析的基础上,采用统计模式识别方法对车辆进行识别,处理流程包括三个部分,特征提取、特征选择和分类器设计.首先利用特征提取方法对车辆和背景的训练及测试样本进行特征提取,然后应用AdaBoost算法对特征结果进行特征选择,再应用选取的特征训练分类器.在整个训练过程中,AdaBoost算法既用于特征选择,也用于分类器训练.最后应用训练好的AdaBoost分类器进行分类识别检测.本方法在不同的测试集中进行了大量的测试,并与其它车辆识别算法进行比较.实验结果表明,此方法能有效地提高车辆检测识别率和降低误识别率,并且更适合实际应用.