汽车工业的不断发展，使得汽车成为人们生活的必不可少的一部分。由此催生出的车辆检测技术更是开始影响到人们生活的方方面面。车辆检测技术应用的范围包括了智能交通系统、智能车辆检索系统和智能车辆辅助等领域。不过车辆检测技术存在着很多需要亟需解决的问题，其中视角变换和遮挡作为车辆检测面临的两大难题，是本文研究的重点。　　 在多视环境下，不同视角下的车辆成像外观有着很大差异，当把不同视角的车辆归为一个大类时，类内距离很大，传统的分类器模型如SVM、Adaboost、神经网络、朴素贝叶斯都不适应，因此研究多视环境下的车辆检测技术有着迫切的必要。另一方面，遮挡一直是目标检测领域难以解决的问题。当今存在的分类器往往是采取整体累加得分的机制，在遮挡发生时，遮挡部分的得分往往比较低，从而造成整体得分低下，于是容易造成漏检，因此性能比较鲁棒的车辆检测算法显得十分必要。本文的主要贡献体现在:　　 1.本文提出了一个称为分裂级联模型的树形分类器用于多视环境的车辆检测任务。分裂级联模型不需要人工预先对不同视角的子类进行挑选，通过使用从粗到细的自动集合划分策略学习得到。分裂级联模型的每个节点都是一个具有拒绝功能的级联节点，使得分裂级联模型对占据绝大比重的负样本能做出快速判断。在多视车辆数据库上，分裂级联模型展现出了比支持向量机SVM和具有多视分类能力的分类器CBT更好的性能。　　 2.针对遮挡环境下的车辆检测，提出了基于多特征融合的车辆检测方案。一种改进的描述子称为VHOG描述子被提出，它是在传统的HOG描述子的基础上，拓展了对部件的可见性进行描述的能力。最后通过将VHOG描述子和LBP描述子融合，可以获取车辆目标的边缘、纹理、可见性分布等信息。在遮挡车辆数据库上的效果，验证了基于多特征融合的车辆检测方案的有效性。