随着社会经济的快速增长,智能交通系统已成为当今社会的热点问题。智能车辆作为其重要组成部分,集合了环境感知、规划决策和辅助驾驶等功能于一体,越来越多的被应用到实际生活中,具有很高的理论研究价值和广阔的应用前景。本文以西南交通大学汽车研究院无人驾驶汽车项目为背景,针对智能车辆技术中的环境感知问题,基于单目视觉传感器,开展了前方车辆图像识别和跟踪技术研究。研究内容主要包括:车辆特征选取、机器学习算法研究、前方车辆识别以及前方车辆跟踪。针对常用于车辆检测的特征描述进行了研究,论文比较详细介绍了Haar-like特征、HOG特征、阴影和对称性特征。为弥补单一特征的局限性,本文提出了采用对称性特征和矩形特征相结合的方法,对前方车辆进行检测。首先选用了边缘检测Sobel算子对图像进行边缘化,利用车辆对称性特征进行感兴趣区域提取;对车辆矩形特征的提取原理做了介绍,提出了使用扩展的矩形特征和积分图像法对特征进行快速计算。针对常用于车辆检测的机器学习算法开展了初步研究,介绍了自适应增强算法和支持向量机,选用AdaBoost算法与扩展Haar-like矩形特征进行感兴趣区域验证。对图像预处理进行了研究,选用平均值法和中值滤波对原始图像进行处理。利用车辆对称性特征提取出待检测候选区,配合矩形特征和AdaBoost算法所生成的训练器,设计了前方车辆识别算法,并结合了多尺度变换方法和奖惩窗口融合方案。对实验结果进行了分析,对比了不同样本和不同环境下的识别效果,验证了算法与普通AdaBoost算法相比更具可靠性和准确率。在详细研究了常用的车辆跟踪算法后,采用卡尔曼滤波法来对车辆目标进行跟踪,并进行了基于卡尔曼滤波的运动目标跟踪实验,取得了一定成果。在最后对本次研究的内容进行了总结,并且对本次设计中的不足提出相应的改善措施,同时对未来该领域的研究进行了展望。