计算机视觉技术的研究推动了现代交通自动驾驶技术的发展,车辆检测技术是实现自动驾驶的前提和关键。由于Gabor滤波器在模式识别领域的成功应用,近年来,越来越多的研究将其引入到车辆检测中。但是,由于缺少有效的Gabor滤波器设计方法,以及在实现分类时所构成的分类器在效率和实时性方面的不完善,因此构成的车辆检测系统在效率和实时性方面的矛盾比较突出,成为车辆检测技术发展的严重障碍。本文从车辆检测的实际需要出发,深入研究了把Gabor滤波器和支持向量机应用到车辆检测领域的基本方法。按照鲁棒性、实时性的原则,设计出了一个高效、实用的检测系统模型。首先,对Gabor特征进行了分析。为了使Gabor滤波器提取的特征具有良好的表征能力,必须对其参数进行优化。本文提出了一种基于遗传算法的Gabor滤波器优化方法,该方法通过应用聚类法来整合滤波器,从而把参数优化和滤波器选择统一起来。使滤波器参数的选取,避开了传统的实验试代的方法。既优化了滤波器参数,简化了参数选择,又削减了冗余的滤波器,减少了高维数的Gabor特征矢量,解决了由此带来的较大计算量和存储负担问题。其次,分别使用支持向量机和神经网络构建的分类器,利用车辆图像数据对它们进行对比分类实验,实验结果说明,用支持向量机作为车辆目标分类工具最为有效。最后,构建了一个车辆检测系统的框架模型,对于Gabor滤波器优化的效果和车辆特征分类器的分类效果进行了讨论。