航拍图像中的车辆检测是智能交通的一个重要内容,在军事、地理信息等领域都具有重要的应用。该领域涉及的核心技术目标检测技术是计算机视觉和机器学习领域的经典问题。航拍图像与普通自然图像相比,具有如下特殊性：分辨率较低,细节不够,照片对焦不好；检测目标体积小,难检测；道路环境的遮挡、阴影、背景的纹理干扰较大。这些特殊性使得直接应用经典的目标检测方法在航拍图像上不能取得理想的效果。针对这一问题,本文提出了两阶段的航拍图像车辆检测方法,第一阶段为道路检测,第二阶段为基于训练分类器的车辆检测。两个阶段互相辅助,实现鲁棒的航拍图像车辆检测。利用自动评价技术对航拍车辆检测进行评价,实验结果验证了本文方法的准确性。本文的主要工作有：(1)对于第一阶段道路检测,提出了基于直方图对比度加后处理的道路提取方法。基于直方图对比度的方法能够获得道路大致所在的区域,但是在完整性和排除干扰物方面仍存在问题,所以,在此基础上,我们使用阈值分割和形态学结合的方法来针对道路进行后续的处理。在这个阶段我们将道路有效地提取出来,并将结果与其他方法的效率和评价指标进行了比较,实验验证了本文的道路提取算法能有效的提高后继车辆检测的准确性。(2)对于第二阶段基于分类器的车辆检测,在训练时,我们使用针对车辆的Haar特征结合Adaboost分类器进行训练。在测试时,在第一阶段获取的道路检测结果的基础上,使用滑动窗口搜索和分类器判别技术检测车辆。通过大量实验探讨分类器的选择、训练集的规模、搜索步长的选择对车辆检测性能的影响。本文还使用了一种评价的方法来对车辆检测的各项性能进行自动的评价。实验显示将检测错误的样本放回训练集重新训练能较大地降低误判率；选择合适的搜索步长能在准确率和检测效率之间获得最佳的平衡。我们标注的GroundTruth集可用于航拍图像车辆研究的相关领域,获得的基于分类器的自动检测技术的相关规律对于航拍车辆检测以及对于其他目标的检测都有借鉴意义。