近年来随着计算机视觉技术的快速发展,基于视觉的智能交通技术在生活中越来越被普遍的应用。基于机器学习的车辆检测是智能交通领域关键问题之一,也是目标检测领域的重要组成部分,车辆检测的正确率对后续智能交通的研究具有重要影响。本文重点研究了单视角车辆检测算法、多视角车辆检测算法、车辆跟踪算法、车型识别算法,主要内容如下:第一,研究了聚合通道特征的提取方法,该特征不仅包含泛化的HOG通道特征,而且还包含颜色通道与梯度通道特征;探讨了多视角下车辆检测的特征选择问题,对比了可分离子聚类算法与k-means和Latent SVM聚类算法的区别。第二,研究了基于软级联AdaBoost分类器的其它三种推广模式,软级联RealAdaboost、软级联GentleAdaBoost、软级联ModestAda Boost对车辆检测的影响。并且分析了三种分类器中参数对检测性能的影响;将参数进行组合使用,提出了检测效果更好的最大池化分类器。第三,探讨了一种改进的最小化输出均方误差跟踪算法,将该跟踪算法运用于隔帧检测,分析了隔帧数对检测性能的影响。采用HOG、LBP、DSIFT特征来提取车辆的局部信息,结合随机投影技术对高维空间中的特征进行降维;结合SVM针对不同的车型,将检测出的车辆分为不同的类别,并与主流的识别技术进行了对比。第四,基于WinForm框架技术设计了一个完整的车辆检测平台,包括车辆图片检测、车辆视频检测、车型识别等功能。