随着交通的快速发展，车辆数量持续增长，由车辆带来的交通管理、交通安全和社会治安等问题日显突出。在交通道路、小区大院、停车场、交通枢纽等安装的交通视频监控系统每天能产生大量的视频图像数据;互联网上更有大量的包含有车辆的视频图像。基于图像大数据的车辆搜索，能为交通管理、公共安全、车辆调度等提供有效的车辆搜索服务，是建设智慧城市运营管理系统的基础，也是智能技术应用的研究热点。车辆检测是车辆搜索的基础。在交通视频监控系统产生的视频图像中，车流量疏密不均、图像质量参差不齐、车辆类型众多、成像角度和车辆目标的成像大小不一致、车辆拥挤和相互遮挡现象严重、不同天气下的光照和阴影等变化多端，这些因素给车辆检测带来了不小的挑战。　　本文针对视频图像大数据车辆搜索平台的总体目标和技术分工，专注于研究其中的车辆检测技术。本文的主要工作包括:　　1.提出了视频图像大数据车辆搜索平台的目标功能和总体流程架构，探讨了其中的关键技术环节和主要难点;归纳了视频图像中车辆检测技术的主要方法，对基于静态图像的车辆检测技术进行了较为全面的分析综述;特别对于基于假设-验证模型的车辆检测技术，进行了较为深入的归纳分析。　　2.由于车辆出现在图像中的角度变化丰富，本文提出了采用流形学习的方法对这些车辆角度进行子类聚类。基于流形学习算法中的维数约简及聚类机制，利用梯度方向直方图特征描述多角度车辆对象所表现出来的边缘和轮廓特征，通过对高维原始数据进行低维嵌入，在低维空间上对不同角度的车辆进行子类聚类。　　3.研究了基于可变部件模型的车辆检测算法流程，对含有多种成分的混合模型在初始化时使用的分类方法提出了改进。采用由流形学习聚类后的车辆子类信息，作为混合模型的初始化参数，可显明改善车辆检测效果。通过在PASCALVOC2012数据集上的测试表明，改进后的方法在效果上有明显提升，并对不同视角、不同尺度和相互遮挡等情况具有较强的适应能力。