随着车辆的日渐增多,汽车安全的关注度也变得越来越高,如何在保证检测速度的前提下,提升目标车辆的检测准确度,是现在的研究重点。从众多研究文献中可以得知,使用单一特征无法解决复杂度较高的场景,针对此问题,本文使用一种多通道融合特征的方法,对目标车辆进行检测。本文的具体研究内容如下:1)主要研究了国内外的车辆检测识别技术的发展现状,分析了现在车载视觉处理系统的优缺点,基于先验知识、机器学习和深度学习等方式,分析并比较了它们的优缺点,最后确定仍以机器学习的方式为基础,对车辆检测算法进行改进;2)深入探讨目前在车辆检测方面的车辆提取特征,对多种车辆提取特征进行了分析和比较,最后决定运用多特征提取和串行融合的方式对目标车辆进行特征向量提取,由此构建了多通道融合特征,为了降低融合特征的维数,采用最大池化方法,算法的计算量获得了很大的减少,其训练速度和检测效率都得到了大步提升;3)在车辆目标特征提取验证过程中,对车辆感兴趣区域应用多通道融合特征,从实验中得到多通道融合特征比单一特征有更低的误识率和更高的识别检测率,通过联合颜色LUV通道,对复杂光照变化也具有更好的鲁棒性。又对Adaboost分类做了相关改进,将Adaboost检测器与HOG和Haar特征结合,形成一种多特征级联检测器的算法来弥补单一特征漏检的缺点。