在欧美、日本等国家和地区,智能交通系统技术正在迅速发展,作为核心技术之一的车辆检测是重要的研究方向。在我国,随着汽车保有量的增加,交通事故引起的人员伤亡和财产损失的数目触目惊心,辅助驾驶系统的研究越来越受到重视。而车辆检测作为辅助驾驶中最重要和基础的环节,对其进行研究是非常必要的,它涉及到模式识别、图像处理、计算机视觉、机器学习、应用数学等多种学科。目前,基于视觉的车辆检测算法大部分都遵循两步法：假设生成和假设验证。算法的研究热点主要集中在日间较好环境下的车辆检测,而对于日间恶劣环境(阴天、雨天、反光、逆光、雾天等)和夜间环境,这些算法基本上是不适用的。为此,本文在总结各种算法适用性的基础上,分别提出了适用于日间恶劣环境和夜间环境下的车辆检测算法。本文提出了一种新的日间恶劣环境下车辆检测算法：在假设生成阶段,首先利用霍夫变换和投票算法对消失线进行定位,然后在图像平面消失线以下区域基于一定的准则提取车辆候选区域；在假设验证阶段,本文提出基于知识和外观相结合的方法对车辆候选区域进行验证,首先利用图像标准差剔除低对比度背景,然后利用AdaBoost级联分类器对车辆候选区域进行分类,最后利用图像水平梯度和进行进一步的筛选。实验结果表明,该方法不易受光照条件影响,在提高车辆检测率的同时,能够有效地降低误检率。本文提出了一种新的夜间环境下车辆检测算法：首先通过形态学处理方法提取明亮区域,基于一定的先验知识对明亮区域进行配对,剔除路灯等非车灯发光体,得到潜在的车灯对；然后再利用金字塔L-K跟踪算法对每一个潜在车灯进行跟踪,根据运动相似性剔除不符合条件的非车灯对,从而检测出车辆。实验结果表明,该方法有效地提高了夜间车辆检测的准确性和可靠性。