随着计算机技术与机器学习的不断发展,汽车智能化的进程也在不断加快。然而,在智能汽车环境感知模块中,无人驾驶汽车前方车辆检测技术一直是研究的热点与难点。因此,本文将围绕无人驾驶汽车前方车辆检测展开研究,旨在提出一种快速、准确、鲁棒性高的车辆检测方法。本文针对智能汽车的车辆检测问题做了以下研究:基于视觉的车辆检测研究主要包括:动态感兴趣区域提取方法的设计、特征提取与融合、分类器的训练与检测等方面。对于基于视觉的车辆检测而言,有效地确定车辆检测的范围是提高车辆检测技术的实时性和准确性的关键技术之一。因此,本文提出了基于无人驾驶汽车的行驶车速以及前方道路坡道变化的动态感兴趣区域提取方法。通过安全行驶车速以及道路坡度确定安全驾驶视野的范围;然后根据所建立的大地坐标系、摄像机坐标系以及图像坐标系之间的转换关系对无人驾驶汽车前方车辆检测的区域进行提取。本文基于动态感兴趣区域的提取方法和滑窗法对输入图像进行LBP、类Haar以及HOG特征的提取。为了提高车辆检测的实时性与准确性,分别对所提取的LBP、类Haar以及HOG特征数据进行归一化处理、主成分分析（principal component analysis,PCA）降维以及串行融合处理。然后将所获得的融合特征作为支持向量机（support vector machine,SVM）分类器的输入进行训练以及测试。最后,利用非极大值抑制法以及热图矫正技术获取所检测的目标车辆。最后,为了进一步提高在复杂环境下车辆检测的鲁棒性与准确性,本文提出基于卷积神经网络验证的级联车辆检测方法。首先,将正负样本作为VGG16的输入并对其进行训练;然后,在基于融合特征的SVM分类器初步去除大量非车辆的检测窗口的情况下,将可能的车辆检测窗口作为VGG16的输入并进行级联验证检测。本文的检测方法在从BDD、Udacity等数据集中所提取并合成的综合数据集上进行测试,在良好的行车环境下,取得了较好的检测效果,其中精确度为98.69%,与国内外其他主流的检测方法相比,本文的检测方法更具有优势。此外,为了验证本文检测方法的鲁棒性,在基于复杂的行车环境下的集成数据集上,本文取得了精确度97.32%的良好检测效果。结果表明该算法具有良好的鲁棒性。