随着中国社会经济持续快速的发展，以及机动车辆的迅速增加，城市交通问题显得日益严峻。为了提高交通管理水平和交通的运行效率，人们提出了智能交通系统（Intelligent Transportation Systems, ITS）。在智能交通系统中，车辆检测作为进行交通管理等行为的基础，其在智能交通中的研究具有十分重要的理论意义和应用价值。因车辆外观的多样性以及交通背景的复杂性，基于视频的车辆检测难以做到全天候准确地检测出车辆。采用机器学习的方法进行车辆检测是其中的有效方法之一，但仍存在两方面问题：一是需要获得足够数量的训练样本图像，二是要满足交通场景的自适应性。论文针对这两类问题进行了深入研究，主要研究内容与贡献包括以下几个方面。1.开展了基于co-training学习的车辆检测方法研究。针对利用机器学习算法进行车辆检测时难以获得足够数量的训练样本图像这一问题，提出采用co-training学习算法的框架来解决。论文根据算法对特征空间的要求提出采用基于Haar特征的AdaBoost分类器和基于HOG特征的SVM分类器作为互相监督的两分类器，预测出未标记样本的标签并加入到对方分类器的样本库中。2.开展了基于co-training学习的场景自适应算法研究。当利用针对某一交通场景训练的特定分类器去检测其他场景中的车辆时，车辆的检测精度会大大降低，针对这一问题采用co-training学习算法改进车辆检测对场景的自适应。论文提出了通过交通场景相似度的判断来确定适合利用该方法的自适应场景，同时提出了标签置信度判断方法，用来提高半监督学习过程中预测标签的准确度。3.为验证本文研究的车辆检测及场景自适应算法开发了系统平台。系统平台实现了本文所采用的基于Haar特征的AdaBoost分类器和基于HOG特征的SVM分类器的训练、测试及检测等一系列过程，包括建立样本库、训练分类器、测试分类器和目标检测四个部分。4.验证了基于co-trainig学习的车辆检测和场景自适应算法。利用本文开发的系统平台建立了初始的训练样本库并训练出分类器，对co-training学习前及学习后的分类器分别进行性能测试，验证co-training学习方法对于增加训练样本图像及交通场景自适应的改善情况。