视频车牌检测技术是智能交通领域中研究的热点问题，它作为机器视觉及模式识别研究领域里长期关注的一个重要课题，具有极高的学术研究价值和重要的实际应用价值。同时，Adaboost算法是一种分类器算法，由于它具有算法简单、学习精度高等优点，提出后便在机器学习领域得到了极大的关注和应用。　　 车牌检测是车牌识别系统中一项关键技术。但是，目前检测技术普遍存在检测率低、误警率高及分类器训练耗时等问题。此外，基于级联结构Adaboost算法分类器是有效解决目标检测问题的方法之一。然而，传统Adaboost算法在训练过程中要重复计算特征值和排序，这将占用相当多的训练时间；其次，由于受训练样本数量的限制，传统Adaboost算法在训练过程中很容易出现过训练问题，即训练结果对训练样本严重收敛。这样将导致训练出来的分类器检测精度不高，特别在使用级联分类器进行性能检测的过程中表现得极为明显，具体表现为分类器对库外车牌图像的强烈排斥；最后，传统Adaboost算法在更新样本权重的步骤上也存在着缺陷，导致训练过程中极易出现分类器退化现象。因此，传统Adaboost算法仍需进一步改进才能更适应于目标检测问题。　　 针对以上问题，设计一种改进Adaboost算法的优化模型，该模型考虑了Adaboost算法的整体性能，综合解决训练耗时、过训练及分类器退化等问题。首先，将特征值和排序结果进行缓存，这样以后每一次迭代训练只需从缓存中读取排序后的特征值序列，以减少不必要的重复计算，从而大大缩短了分类器训练时间；其次，在训练过程中对训练样本进行及时更新，这样保证了每一次输出强分类器时都有新的样本补充到训练集中，从而使训练出来的分类器具有较高的检测精度；最后，对样本权重的更新规则进行适当调整，使错误分类的样本其权值不一定被增加，从而限制了困难样本的权重过分增大。因此，改进后的Adaboost算法整体性能得到了大大提高，并使之更适用于目标检测。　　 实验结果证明了改进后Adaboost算法的整体性能优于传统算法，它在提高检测率的同时降低了误警率，并且训练时间缩短了50％左右。