由于车辆数量的快速增长,交通事故的频繁发生,人们对车辆安全的高度关注,智能交通系统(Intelligent Transportation System)的功能也越来越复杂,我们面临计算的数据更加复杂、更加庞大,而对于实时性较高的智能交通系统来说,无非就两种方法来解决这一问题：一是升级或增加硬件；二是优化软件(算法)。显然增加硬件势必会增加成本,本文选择的是第二种方法,以智能交通系统中的车辆识别算法模块作为研究切入点,在现有的多核条件下,通过并行优化算法提高性能来解决海量数据的问题,为未来在嵌入式方向的并行优化做铺垫。本文首先分析和提炼了串行车辆识别算法的执行过程,基于车辆统计特征的车辆识别算法主要由两个处理步骤组成：候选区域确定(hypothesis generation, HG)阶段和车辆验证(hypothesis verification,HV)阶段。在候选区域确定阶段,应用基于车辆先验知识的方法；在车辆认证阶段使用基于知识和统计模式识别的方法对前一阶段的假说进行验证。在分析提炼算法的基础上,本文对串行算法提出了多种并行优化的方案,并采用了英特尔CnC (Intel Concurrent Collections for C++)并行语言优化了基于车辆统计特征的车辆识别算法。总的来说,本文的主要工作内容可分为三大部分：提炼了串行算法过程；分析了算法中的可并行性,并根据分析结果,提出了多种并行优化方案；根据优化方案,用英特尔的CnC并行语言重构车辆识别算法模块,并对算法进行多种粒度的实验验证。本文针对具有各种鲜明特征的图片在多种硬件平台测试下进行测试,实验结果表明,在多核平台下,优化后的算法在性能上基本达到了理论上的期望值,这在一定程度上丰富了相应理论在实际中的应用,也能够推动汽车辅助驾驶系统并行化的研究。