随着社会经济发展,有限的道路资源与日益剧增车辆数量之间的矛盾逐渐显现。在交通事故频发与道路拥堵的今天,自动驾驶技术成为当前的热门研究方向。车辆目标检测作为自动驾驶中环境感知的重要部分,关系着车辆行驶过程中的安全性与舒适性。因此,将车辆目标检测作为研究内容。本文首先设计了一个浅层网络和边框回归函数对感兴趣区域（ROI,Region of Interest）进行提取,然后分别验证了基于多种人工特征和Triplet loss深度网络特征对于车辆目标识别的有效性,筛选出LBP特征（LBP,Local Binary Pattern）、SURF（SURF,Speeded Up Robust Features）特征作为人工特征,并结合深度网络特征作为本研究的主体特征。针对人工特征,提出了一种基于类内距离的高斯分布反变换采样方法来进行样本偶然性建模,针对深度网络特征,通过重构Triplet loss损失函数方法来进行样本偶然性建模。最后将人工特征和深度网络特征组合成复数特征。针对车辆复数特征,首先提出了一种基于主成分分析（PCA,Principal Component Analysis）、线性判别分析（LDA,Linear Discriminant Analysis）、典型相关性分析（CCA,Canonical Correlation Analysis）的混合判别分析来进行特征选择。该方法通过同时考虑复数特征的方差、类间距离与类内距离比值以及复数特征的实部和虚部相关性来对原复数特征进行特征选择。针对特征提取后的复数特征,构建了复数支持向量机进行复数特征分类。该分类器通过重构支持向量机的目标函数来寻找能够同时最大间隔划分实部正负样本和虚部正负样本的超平面,然后通过随机梯度下降法优化目标函数,进而达到有效分类的目标。最后通过结合随机森林算法思想,将单个复数支持向量机分类器扩展到由多个复数支持向量机的分类器集群,来支持多类别车辆目标的识别。该方法首先将样本集按类别随机分为多个子样本集来训练多个复数支持向量机分类器,然后再将多个分类器的输出加权得到分类器集群的最终结果,其中将加权系数作为待求权重,分类器集群输出结果作为样本向量,利用支持向量机算法求解最优的加权系数。