智能交通系统ITS(Intelligent Transportation System)利用通信技术、控制技术、传感器技术、运筹学、人工智能和计算机技术的有效集成，其目的在于充分利用现有道路基础设施资源，改善车、路、人之间的相互作用，提高系统的安全性、高效性与舒适性，从而从整体上提高交通的经济性，正在成为世界各国解决交通拥塞、交通事故频发、土地和能源短缺、交通环境污染以及由此导致的经济损失等的热点研究问题，具有较高的社会效益和巨大的市场应用前景。自动车辆识别系统VRS(Vehicle Recognition System)是ITS应用的基础，在美国、日本、欧洲等发达国家已得到广泛的应用，而在我国的应用尚处于探索研究的起步阶段。由于国情的不同，直接应用国外的系统并不能获得满意的结果，本文正是在这一背景下，对车辆识别系统中的有关问题进行了研究，提出了一些新颖的汽车颜色识别、汽车阴影分割及车窗定位算法。主要研究结果和创新点有： ●快速的汽车颜色识别方法：汽车颜色识别是典型的模式分类问题，当样本数量足够多时，传统的统计模式分类的优秀分类性能才有理论上的保证。在汽车颜色的实时识别应用中，随着新的颜色汽车样本的不断出现，要想为每一类别颜色的汽车提供足够多的样本显然是不现实的，因此汽车颜色识别是小样本情况下的多类别模式分类问题。基于统计学习理论的支持向量机已被证明是在类别先验概率未知且小样本情况下较好的分类器，当应用于大类别数分类时，其分类速度不尽如意，限制了其在汽车颜色识别中的应用。本文在研究支持向量机分类原理的基础上，提出了一种减少支持向量机数量的快速汽车颜色摘要分类算法，实验结果表明，在相同的小训练样本集的情况下，该方法具有比近邻法更高的分类正确率和更快的分类差别速度。 .提高支持向量机稳定性的方法:支持向量机由于较高的分类正确率和较快的分类速度，是汽车颜色识别应用较好的分类器，但是无论多么优秀的分类器，也不能保证100%的分类正确率。当出现分类错误时，需要将被错分的样本加入到训练样本集，重新训练分类器。由于被错分的样本通常出现在两类的分界面附近，加入被错分的样本相当于在相应的类别中加入了边缘点。标准支持向量机将新加入的样本与训练集中的原有样本同等对待，会造成分类器性能的不稳定。本文通过模糊化两类别样本的惩罚因子和类别中各样本的重要度因子，提出了改进的模糊支持向量机分类算法，改善了支持向量机对两类样本分布不均衡情况下的敏感性，提高了分类性能的稳定性。 .提高支持向量机分类正确率的方法:利用两类分类器的组合实现多类别分类时，在特征空间中存在无法判明其类别的阴影区域，利用支持向量机实现汽车颜色识别，同样存在阴影区域问题。本文结合模糊集理论，提出了模糊回归支持向量机，在不影响非阴影区域的决策边界的情况下，提高了阴影区域样本的分类正确率，从而从整体上提高分类器的分类正确率。 .提高车身颜色识别正确率的方法:当确定了车身各象素的颜色类别后，由于车窗、装饰物以及货柜车的货柜颜色等的影响，如果以象素为单位对各类别进行投票，有时得票数最多的颜色类别并不是车身颜色。利用D一S证据理论解决由不知道带来的不确定性的能力，提出了基于D一S证据理论的车身颜色识别算法，降低了车窗、装饰物及货柜部分对车身颜色识别的影响，提高了车身颜色的识别率。 .汽车阴影分割方法:传统的阴影分割方法基本上只考虑了单象素的阴影颜色特征或与背景象素的颜色比值特征，当汽车颜色与背景或阴影颜色特征相似时，难以正确分割出阴影区域。本文根据汽车外型的规则性，从阴影区域内象素与背景对应点象素比值的空间变化特征出发，结合单象素的阴影颜色特征，提出了基于空间特征的汽车阴影分割算法，该方法对待分割的汽车颜色没有限制，对背景纹理也没有限制，具有更强的实用性。 .快速运动汽车阴影分割方法:如果用一条或者两条线段将汽车和阴影区域分开，运动汽车的阴影分割线方向与运动方向密切相关。利用小波变换的摘要多分辨率特征，结合运动信息检测阴影特征区域，提出了基于小波变换的运动汽车阴影分割方法，该方法比单纯利用阴影的颜色比值变化特征的算法分割速度更快，适用于车体定位、车流量检测等不需要精确阴影边界的汽车阴影分割应用。 .车窗定位:目前对视频车型的识别主要集中在利用车辆的侧面轮廓曲线特征的识别研究，在多车道车型识别应用中，受行人、路边景物以及相邻车道的车辆相互影响，很难正确获得车辆的轮廓曲线。本文使用车辆的顶视图，对利用车窗的位置和大小来识别车型进行了探索性研究。利用HSV颜色空间的色度奇异性来定位车窗，提出了基于色差均值的车窗定位算法，实验结果表明，该方法对车窗的准确定位率令人满意。 关键词:模式识别，统计学习理论，支持向量机，Logisti。回归，多类别分类，模糊理论，D一S证据理论，阴影分割，颜色恒常性，小波变换，多分辨率分析，车窗定位多