随着经济的发展，城市化、汽车化的加快，要求采用现代化的管理方法来实现交通管理，这样就引发了对智能交通系统(ITS)的研究。车辆辅助驾驶是智能交通系统的重要组成部分。以其自主式车辆事故预警和行驶导航机制，车辆辅助驾驶系统在提高汽车的主动安全性能和减少交通事故方而有着广阔的应用前景。采用计算机视觉技术的辅助驾驶系统，由于其探测范围的完整性和宽广性，具有优越的性价比，是辅助驾驶系统的重点发展方向之一。 在过去的十几年里，基于视觉的车辆检测技术被越来越多地应用于辅助驾驶系统，灵活可靠的车辆检测技术是车辆辅助驾驶系统的重要组成部分。基于视觉的车辆检测是非常具有挑战性的。例如，被检测的车辆具有不同的速度、形状、尺寸、角度和颜色。车辆的外观还受到车辆的姿态以及它周围目标物的影响。同时，车辆的遮挡和光照条件的不同也改变了车辆的整个外观。 本文总结了近年来车辆检测中所应用的车辆识别算法，并分析了各种车辆检测算法的特点。同时，实现了基于车辆统计特征的车辆识别算法。车辆检测算法由两个处理步骤组成：候选区域确定(hypothesis generation，HG)阶段和车辆认证(hypothesis verification，HV)阶段。在候选区域确定阶段，应用基于车辆先验知识的方法确定车辆可能存在的候选区域；在车辆认证阶段使用基于统计模式识别的方法对前一阶段的假说进行认证。 本文采用统计模式识别方法对车辆进行识别，处理流程包括三个部分：特征提取，特征选择，和分类器设计。首先利用特征提取方法(如Gabor，PCA，Wavelet)对车辆和背景训练及测试样本进行特征提取，同时提取特征向量的矩特征。然后应用遗传算法设计车辆的特征选择算法，对特征提取阶段的结果进行特征选择，结果用于训练SVM分类器。对测试样本做同样的提取特征的处理，最后应用训练好的SVM分类器进行分类识别检测。对实验结果较好的算法进行优化。此算法在不同的Video中进行了大量的测试，并与其它车辆识别算法进行比较，实验结果表明，基于统计特征的车辆识别算法不仅具有较好的鲁棒性，能够适应不同的天气条件，而且能有效的提高识别率和降低误识别率。