车辆检测是车辆辅助驾驶系统的重要组成部分，其检测速度与精度直接影响着整个系统的效率与质量。在实际交通场景中，复杂的道路环境与形状各异的车辆给实时车辆检测技术带来了巨大的挑战。　　本文研究单目视觉下的前方车辆检测方法，提出基于AOG-ABM模型的前方车辆检测算法。算法主要分为离线训练与在线检测两个部分。离线训练部分主要为训练车辆的AOG-ABM模型。首先构建车辆的AOG图结构，然后利用ABM模型与MSER模型来数学建模AOG图结构的终端节点，并定义其概率模型。为了降低误检率，算法模型融合了其他特征，原始的HOG特征能在一定程度上描述目标，但其对光照和背景的适应性有待进一步提高。针对此问题，本文改进了HOG特征，提取模型的多层HOG对称特征即MSHOG特征。在完成模型建立以及特征提取后，算法学习车辆AOG-ABM模型的参数及MSHOG特征，将其用于在线检测部分。在线检测部分主要目标是实时检测出待检测视频中的车辆。预处理待检测视频，将离线训练部分学习到的车辆模型的参数用于自下而上的推理检测过程来检测车辆，得到候选车辆区域，并利用MSHOG特征对车辆候选区域进行验证，去除伪车辆，从而成功检测到前方车辆。　　本文在MATLAB平台上完成了实验及对比实验，实验训练样本采用GTI数据集，同时分别选取GTI数据集、Caltech1999以及Caltech2001数据集来测试本文算法在简单背景、复杂背景及存在遮挡的背景下的检测识别率与准确率。统计实验结果本文方法在 GTI数据集上的识别率为98.46%，Caltech1999数据集上的准确率为97.12%， Caltech2001数据集上的准确率98.48%。实验利用实际交通场景采集的视频图像对算法实时性进行了测试，平均每帧图片的检测时间是147ms，可以满足实时性要求。实验表明了本文算法具有较好的准确性、实时性和鲁棒性。