随着车辆的数量急剧增加,人们对智能交通和车辆的有效管理需求越发迫切,基于计算机视觉的车辆检测和分类识别技术有着重要的研究价值和实际意义。本文实现了车载视频中后视车辆的实时检测。对于日间的检测,我们分别实现了 HAAR、MB-LBP及HOG特征的Adaboost级联检测器检测。在此基础上,用基于主动学习的方法进行二次训练,提高模型检测性能。并且设计了针对不同车辆大小的滑窗策略,大大减少了检测时间;同时,根据视频车辆的连续性,去除了部分误检。关于夜间车载视频,我们利用具有显著特征的车尾灯进行检测。首先根据颜色和亮度特点得到散发红光的区域。然后在红光区域及其内部寻找极亮点,定位出散发红光的光源。最后进行对匹配,即可检测出车尾灯,从而检测出夜间车辆。本文对汽车的型号识别也进行相关研究。我们选取具有显著特征的车头感兴趣区域进行识别。本文一方面实现了传统的机器学习方法,分别提取其SIFT特征、HOG特征、MB-LBP特征用支持向量机和极限学习机识别。另一方面,用深度学习的方法进行汽车型号的识别。设计了一个双监督信号的卷积神经网络,发现其检测性能相比传统机器学习方法有很大的提升,识别率可到达94.34%。最后,尝试对深度学习和传统机器学习的方法进行结合,提取卷积神经网络最后一层的特征,用支持向量机分类器进行识别,识别率提升了 2%左右。