近年来,随着我国经济实力的提升,汽车制造业飞速发展。越来越多的汽车使得道路交通的正常运行变得越发艰难,交通事故频发。为了改善当下的交通环境,智能交通系统备受人们青睐。车辆检测作为智能交通的重要部分,已经变成了当下研究的热点。本文深入研究了基于特征提取的车辆检测方法。从特征提取、分类器分类两方面入手。常用特征有HOG特征、SIFT特征、Haar特征、Harris特征等;常用分类器有SVM分类器、Adaboost分类器等。传统车辆检测方法误检率较高,复杂环境下检测率较低,无法满足实际检测要求,需要进行改进。为了克服HOG特征描述力不足的缺点,将关键通道、放大系数引入到传统HOG特征提取方法中。首先,利用样本集图片的平均梯度差值提取车辆图片的关键通道,其次,利用放大系数放大HOG特征的关键通道,最终得到了局部放大的HOG特征。为了增强特征对车辆纹理信息的表达,在局部放大的HOG特征基础上,融合LBP特征,融合特征的描述能力更强。能够提高检测率,降低样本集的误识别率。针对融合特征的特征维数较高,计算时间较长的问题,选择了加性交叉核SVM进行分类和检测,该分类器能够有效的降低分类和检测的时间,利用滑动窗口进行检测。选择UIUC车辆数据集对本文检测方法进行测试。实验结果表明本文的方法能够很好的完成检测任务,且比传统HOG+SVM的方法误检率更低,检测率更高。