随着国民经济高速发展及人民生活水平日益提高,汽车已成为人们日常出行最常用的代步工具。然而,汽车数量的飞速增长给城市交通安全管理带来了新的挑战,车辆身份识别技术已成为智能交通研究领域的重要课题。车标识别是车辆身份识别的核心内容之一,针对车牌遮挡、车牌套用等不法行为,识别车标能很好地辅助交通部门及公安部门进行交通运输的有效性、高效性以及安全性管理。作为典型的目标识别问题,车标识别通常指对从静态数字图像或视频数据流中检测到的车标区域进行自动识别的过程,主要通过特征提取和分类器构建两个步骤实现。在广泛调研国内外车标识别相关技术基础上,针对主成分分析方法(PCA)在处理非线性图像特征中的不足,本文采用核主成分分析法(KPCA)对车标图像进行了特征提取,在尽可能消除、处理图像冗余信息的同时,保留了车标图像的部分非线性特征,保证了车标图像数据在由高维空间映射到低维空间过程中,其特征信息的充分性和有效性,并通过复杂环境下采集得到的车标数据库进行了仿真实验验证。结果表明,在最小距离分类器(MDC)和支持向量机(SVM)上,KPCA表现出比PCA更优的特征提取性能。此外,本文针对目前车标识别方法的缺点,即超参数多且难以确定、预测效果不理想等,提出了通过构建寻参更便捷、学习能力更强的高斯过程分类器(GPC)车标识别方法。首先运用图像预处理方法降低环境因素对图像有效信息的干扰,随后利用KPCA充分提取车标图像的线性及非线性特征信息,再将特征信息分别输入概率高斯过程分类器(P-GPC)和最小风险高斯过程分类器(LR-GPC)进行识别。仿真实验结果表明:利用GPC进行车标识别能得到理想的识别效果且对复杂环境表现出良好的鲁棒性。其中多项式核KPCA与LR-GPC相结合的车标识别方法具有上佳的分类效果及令人满意的识别速度,是一种实用的实时车标识别新方法。