近年来随着交通拥堵、违章乱停等问题的日益严重,智能交通监控系统被引起广泛的关注。车辆检测与解析作为其中非常关键的技术,已经成为计算机视觉和智能交通监控领域的一个热点问题。在复杂的交通监控场景下,由于车与车、车与人经常出现在一起,遮挡已经成为其中最棘手的问题;另外,车辆部件的状态变化(如打开车门)所引入的大的结构和表观变化也给车辆识别带来了很多挑战。本文从视觉认知和统计建模的角度出发,系统地研究和分析了:1)车辆检测过程中的遮挡、多视角、上下文关系等问题;2)车辆解析过程中的语义部件定位及状态变化识别。本章分别从“隐式地遮挡建模——显示地遮挡建模——上下文和遮挡同时建模”以及“空间(图像)——时空(视频)”两个角度构建了四个与或图模型。主要工作包括如下四个方面:提出了一种基于车对(Car Pair)的车辆建模与检测方法。该模型隐式地建模了遮挡、多视角信息以及车与车之间的上下文关系。它主要用来处理现实生活中车与车之间互相遮挡的问题。与传统的单独对一个车进行遮挡建模的方式不同,本文认为在车比较多的情况下,车对(Car Pair)可以作为一个基本单元来组合出不同的遮挡模式。另外,车对也包含了更多的视觉上下文信息,从而使学习到的检测器更加鲁棒。为了能够表示遮挡车辆的视觉模式,本文提出了一种三层的与或图(And-Or Graph)模型来对不同的车辆遮挡情况进行量化。在实际车辆遮挡数据集上的结果证明了所提出的模型的优越性。提出了一种基于遮挡模拟和遮挡结构自适应学习的车辆建模与检测方法。这一部分工作利用当前较成熟的CAD技术来模拟实际生活中车辆被遮挡的情况。首先,根据所有遮挡图像中每个CAD车部件可见与不可见的情况,可以得到一个关于遮挡信息的数据矩阵(Data Matrix);然后,利用图压缩(Graph Compression)算法来自适应地从数据矩阵上学习出与或图模型的结构。最后,为了捕获真实的表观信息,与或图模型的参数是在实际数据上学习到的。在一系列的遮挡车辆数据集上的实验结果表明,所提出的与或图模型能高效地表示实际场景下车辆的遮挡结构。提出了一种基于上下文和遮挡建模的车辆建模与检测方法。这部分工作将车辆检测的上下文和遮挡信息统一起来进行建模。这里的上下文主要是指图像中相邻的N(N?1)个车之间的相对位置关系。为了减小模型的复杂性,同时提高模型的灵活性,本文提出了一种新的层次性与或图模型。通过从训练数据中挖掘出具有判别性的上下文模式(Context Pattern)和遮挡模式(Occlusion Pattern),该模型的结构可以被自适应地学习出来。模型参数的学习采用了基于弱标注的结构化支持向量机(WLSSVM)。所提出的模型在多个极具挑战性的车辆数据集上都取得了当时最好的检测结果。引入了一个新问题——车辆语义部件状态变化的识别,相比于车辆检测,车辆部件具有更大的几何(Geometry)和表观(Appearance)变化,而且更容易被遮挡。同时,提出了一种时空(Spatial-Temporal)与或图模型来统一地处理车辆检测、语义部件定位和部件状态变化的识别。在一个新收集的车辆状态变化数据集上的实验结果证明了所提出的模型的有效性。本文以车辆检测与解析为具体的应用,着重于遮挡建模和目标模型结构的设计与学习,在理论和实践上都取得了一些突破。所提出的理论模型和算法对计算机视觉、模式识别和机器学习都具有指导和借鉴意义。