中国每年因道路交通事故伤亡人数超过20万人，造成直接财产损失多达十亿元。如何降低事故发生率已成为目前迫于解决的问题。车辆检测技术是智能交通系统的关键，可有效地降低交通事故的发生率。因此，该技术越来越受到学者们的关注。　　目前的车辆检测技术主要分为传感器与机器视觉两种方法。其中基于机器视觉的车辆检测方法因其成本低、安装调试方便、获取有用信息更多等优点，已成为车辆检测研究的热点问题之一。传统的基于机器视觉的车辆检测方法更侧重于提高检测精度，而忽略了误检率的相关研究。针对传统的检测方法误检率高的问题，本文提出了一种将类Haar矩形特征与K近邻分类器相结合的车辆检测方法。　　提出的车辆检测方法是由特征库建立和车辆检测两部分组成。首先，通过对训练集中的正样本及负样本进行类Haar矩形特征提取，获得特征向量库。然后，利用K近邻分类器将待检测区域图像特征与特征向量库进行对比分析，判定待检测图像是否存在车辆信息，从而进行分类。为提高特征提取速度，本文采用基于积分图提取类Haar矩形特征，从而实现提出方法在保持其有效检测性能的前提下，明显提高检测速度。在分类器方面，本文选用K近邻分类器，该方法可有效地降低静态图像的误检率。　　本文首先对当前车辆检测技术进行综述，并分析传统检测方法的优点和不足;然后介绍了基于类Haar特征的车辆检测方法，并分析了不同数量的类Haar特征模板对检测结果的影响;最后提出了一种将类Haar特征与K近邻分类器相结合的车辆检测方法。采用三个较为常用的道路数据集作为测试集，对该方法的性能进行实验验证。实验结果证明，提出方法在保持较高检测精度的同时，大幅度降低了静态图像的误检率，并获得较高的F1分数，即检测结果较好且具有鲁棒性。