面对日益增长的车辆数量,人们的出行不便,财产和人身安全受到威胁。智能交通系统能在一定程度上解决这种问题,提升人们的生活品质,因此受到了广泛的研究关注。视频中车辆检测算法,拥有成本低、运算快、准确度高等优点,是智能交通系统的技术核心,与其它检测手段(如激光雷达,传感器检测)配合完成任务。研究车辆检测算法具有重要意义。视频中车辆检测容易受到光照变化、树木的阴影、以及其它车辆等外部环境的干扰。针对以上问题,本文提出了改进像素自适应分割算法,并用于感兴趣区域的确认。改进的像素自适应分割算法通过减小决策阈值、减小学习率和融合梯度区域信息来减少算法的计算复杂度。提出前景累积计数规律和重影消除的策略,综合提升了现有像素自适应分割算法的性能。针对单一Haar-like特征检测率低,光照鲁棒性差的问题。提出Haar-like和HOG的融合特征,并使用Adaboost+SVM分类器进行分类,减少了分类器层数和检测时所需的特征数。针对基本的Haar-like特征和HOG特征检测率低,运算复杂度高的问题,提出基于聚类的Haar-like特征算子的车辆检测方法和基于稀疏性的HOG特征算子的车辆检测方法。通过对不同场景下的道路视频和数据集进行测试,实验结果表明,本文的方法能够克服各种复杂路况场景下外部环境的干扰快速检测车辆,具有良好的准确性和鲁棒性。