随着技术的提高以及硬件成本的下降,计算机视觉以及模式识别技术已经被广泛的应用于智能交通。本文针对智能交通中涉及的目标检测和分类问题进行了深入的研究。本文以行人、车辆以及交通标识检测以及分类为研究对象,分析其中存在的不足并提出了相应的解决方案,其中涉及的理论和方法也有助于研究其他计算机视觉以及模式识别问题。首先,针对目标检测方面的特征抽取问题,本文提出了两种基于局部二进制的特征来描述检测目标的方法。在目标分类所涉及的分类器方面,Viola和Jones将AdaBoost算法应用于快速人脸检测使得集成算法Boosting成为一个研究热点。然而,常规的Boosting算法需要大量样本来训练分类器,训练样本过少会导致分类器的性能急剧下降。针对这一问题,本文利用额外数据(如未标记样本)的方式来提升Boosting的分类性能。具体来说,论文的重点和创新成果包括：1)目标检测方面目标(如行人、车辆等)检测一直是智能监控和智能交通的一个重要组成部分。从2005年开始,利用计算机视觉和模式识别技术的行人检测得到了快速的发展,也带动了其他目标检测技术的提高。研究者们提出了多种特征提取算法和分类算法。尽管如此,它仍然是一个活跃的研究领域。由于目标表象的变化、遮挡以及复杂环境(不同的摄像机设置和光照变化等)的影响,目标检测已成为计算机视觉领域的一项挑战性的任务。针对上述问题,本文提出了两种新的特征抽取方法并应用于行人和车辆检测。包括：1)基于修改对称的局部二进制的特征(Modified Symmetric Local Binary Pattern, MS-LBP)。针对行人检测,在分析了当前局部二进制特征描述人体目标所具有的快速准确性的基础上,本文提出的特征更多的关注图像的水平对称性,同时具有梯度特征和局部二进制特征的共性,能够描述人体目标的对称特性。利用该特征和Boosting分类器组合,结合级联结构能够在获得高检测性能的同时达到实时检测的目的。在此基础上,本文通过两种特征融合的方式来进一步提高检测器的速度和性能。实验还详细比较了多种特征降维和特征融合算法对检测性能的影响。最终训练出的分类器在速度和分类准确度方面都超过了基准方法。2)提出了基于共生矩阵的CoGMuLBP特征(Co-occurrence Orientation of Gradient Magnitude uniform Local Binary Patterns)。当前,利用基于方向的共生矩阵来描述分类目标在行人检测上取得了超过基准算法的性能。然而该特征利用的梯度方向很容易受噪声的干扰,因此为了进一步提高目标检测的性能,本文利用局部二进制来代替梯度方向并在此基础上提取方向的共生矩阵。在该特征基础上本文还提出了两类分别通过梯度大小和方差来加权的扩展特征。利用提出的特征训练出的检测器在行人检测和车辆检测任务上取得了较好的检测性能。2)目标分类方面Boosting是一类集成学习算法的总称,它通过组合简单分类器来获取性能更好的强分类器。Boosting算法由于其高效及简单性已经广泛的应用于模式识别的多个领域。然而,为了获取一个性能较好的分类器,Boosting算法需要大量的训练样本。为了解决训练样本过少的问题,研究者们已经提出多种方式来提高Boosting分类器的性能,包括采用不同的损失函数来优化Boosting训练过程以及结合多种数据(如无标记样本)来训练Boosting等。常规Boosting算法将弱分类器选择和强分类器学习同时进行。研究者们发现将这两个过程进行拆分,通过组合不同的方法能够获得性能更好的Boosting算法。基于这一观点,本文提出一种生成Boosting-like算法的框架。与常规Boosting算法利用分类误差来选择弱分类器的准则不同,本文提出的框架利用类别可分性来选择弱分类器。常规的子空间学习的方法都能够嵌入到该框架下。本文利用局部线性判别分析以及半监督线性判别分析作为应用实例,提出的方法能够有效的解决小样本问题,在多个视觉数据集上取得了比监督学习方法以及常规Boosting算法更好的性能。