随着汽车行业的迅速发展,车标识别在智能交通,道路监管,安全追踪以及车辆服务等领域的应用价值日益凸显。针对目前车标识别的方法中存在的定位精度低、识别效率低等问题,本文在车标识别的三个阶段依次提出了更加优化的解决方法。车标定位作为车标自动识别方法中的一个重点和难点,大多数文章采用的是基于先验知识和背景纹理特征定位方法,但是该方法存在通用性不足的问题。本文在原有方法的基础上,使用了一个二分类器对车标初定位区域进行分块筛选,并采用SIFT特征匹配算法实现了车标精确定位。最后通过对比实验表明本文定位方法具备更好的定位精度和通用性。在车标特征的表达方面,本文综合了图像HOG特征与LBP特征的优点,将两者串行融合在一起以更加全面的表达出车标在边缘纹理,轮廓形状和梯度方向上的细节特征。为了在提高识别准确率的同时保证系统效率,在特征提取阶段又采用了 PCA的方法对融合的车标特征进行了降维。在分类器的设计阶段,本文充分考虑了车标样本存在的种类多,数目不均等特点,提出了一种基于Adaboost与SVM相结合的车标识别方法,实现了两种不同的分类器组合策略。通过对公开数据集GTSRB和自定义车标数据集的实验效果可以证明联合分类器具有理想的分类精度和效率,同时可以有效的降低因样本数量偏差所造成的误检比率。最后本文综合三个阶段的流程方法实现了车标自动识别系统,对于常见车标,包括类似车标,小样本车标等的自动检测都具有良好的识别效果。