车辆检测与车型识别是智能交通系统(ITS)中的重要组成部分。有鉴于Gabor滤波器在模式识别领域的成功应用，我们将其引入到车辆检测和车型识别应用中，并做了相应的研究工作。包括基于特征加权的Gabor特征抽取算法：基于Gabor滤波器和SVM的红外车辆检测；一种简单的基于Gabor滤波器和边缘特征的车型识别算法：以及实用的基于特定方向的Gabor滤波器组参数设置方法。 文中首先研究并给出了一种改进的基于特征加权的Gabor特征抽取算法。该算法对Gabor特征矢量根据其邻近分量的离散程度进行加权处理，有效增强离散程度相对较小的特征分量在分类中的作用，同时充分利用样本图像的统计信息，具有较强的鲁棒性和类别表征能力。实验数据表明，与传统方法相比，这种特征抽取算法能够有效降低图像识别的错误率，增强鲁棒性，适于对质量较差的图像进行识别。 进一步的，文中将上述算法应用于红外车辆检测中。首先应用阈值分割并结合边检测确定候选区域：其次利用上述Gabor特征抽取算法对选定的车辆和背景样本集进行特征提取，训练SVM分类器；最后应用SVM进行分类检测。实验数据表明，与同类方法相比，该方法在识别率和鲁棒性方面都有所增强。 针对Gabor滤波器应用中的瓶颈问题，即Gabor特征矢量维数较高，以及由此产生的较大计算量和存储负担，文中提出一种简单的基于边缘特征的车型识别算法。不同于目前Gabor滤波器应用中普遍采用的以降低识别率为代价的均匀采样方法，该方法依据车辆具有的明显几何特征，在样本图像的关键部位进行密集采样，非关键部位进行稀疏采样。实验数据表明，这种方法实现简单，在不降低识别率的情况下，有效降低了Gabor特征矢量的维数。 针对目前Gabor滤波器组参数设置算法中存在的不足，即实验法确定的参数不精确，而优化法确定参数又过于复杂，我们提出一种基于特定方向的Gabor滤波器组参数设置方法。该方法根据Gabor特征具有的良好方向特性，首先确定方向参数，然后在每个特定方向进行最佳单Gabor滤波器的参数搜索。我们认为这样得到的Gabor滤波器组，在性能上是接近最优的，同时具有算法简单、数据相关的优点。实验数据表明该算法是实用的、可行的。