随着中国汽车工业的快速发展和城市车辆数量的激增，交通问题变得越来越严重。为了解决交通问题，人们开始发展智能交通系统(Intelligent Transportation System)。在ITS中的交通信息系统、交通管理系统、车载系统等多个领域迫切需要车辆有无检测、方向检测、车辆识别、车辆位置估计等方面的技术研究。本文基于隧道磁电阻(Tunnel Magneto Resistance，TMR)传感器，利用TMR车辆数据采集系统获得相关的车辆信息，分析TMR检测信号的特点，结合ITS中的技术需求，设计了基于TMR传感器的车辆检测与识别技术的研究方案。在车辆检测算法研究方案中，设计了基于TMR传感器的车辆有无检测算法与车辆方向检测算法。其中，设计车辆有无检测算法时：对车辆信号进行预处理，并通过车辆样本确定状态机的阈值，利用实时的车辆信息实现阈值的更新，最后利用多状态机进行车辆状态的判定。设计车辆方向检测算法时：根据TMR传感器放置，分析得出Y，Z两轴的车辆信息无法反应车辆行驶方向信息，依据X轴的车辆检测信息设计基于单个传感器和双传感器的车辆方向检测算法。大量实验表明，车辆有无检测和方向算法准确率高，未出现误检情况。在车辆识别算法研究方案中，设计了基于遗传BP（GA-BP）神经网络车辆识别算法与基于遗传支持向量机（GA-SVM）车辆识别算法。针对BP神经网络算法的不足，提出遗传BP神经网络车辆识别算法，利用遗传算法优化BP神经网络的初始权值和阈值，最后对车辆进行识别。虽然该算法取得了92%的识别准确率。但是BP神经网络存在着先天性的不足如易局部极小化问题，同时本文车辆样本并不是非常充分，在一定程度上也影响着BP神经网络的识别效果。SVM将识别分类问题转变为二次型寻优问题，解决了BP神经网络中易局部极小化的缺点，得到的将是全局最优解。且在处理非线性、小样本问题时有一定的优势。因此，进一步提出SVM识别算法并利用遗传算法优化SVM的参数，得到GA-SVM车辆识别算法，取得了95.3%的识别准确率。在车辆位置估计算法研究方案中，设计了基于Kalman滤波的车辆位置估计算法。通过车辆信息的检测，分析车辆运动轨迹的磁信号变化曲线，将车辆磁信号转化成车辆相对速度和距离信号，然后利用Kalman滤波来估计车辆的相对位置。实验结果表明，车辆的位置估计误差范围在0.1m内。随着ITS的不断发展，其功能不断完善和规模不断扩大，对车辆检测和识别技术的需求也将变得更加迫切。基于TMR传感器的车辆检测和识别技术研究是一个新的发展方向，它的研究必能推动ITS的发展，让ITS在城市化建设和发展中发挥更大的作用。