目前,随着城市化进程的快速发展,人口的大量增加,城市交通问题特别是交通阻塞问题变得日益严峻,智能交通系统也越来越受到大家的广泛重视,已成为世界交通系统的发展趋势。智能交通系统的关键技术之一即是车型识别,其不仅在智能交通中拥有广阔的应用前景,而且也是计算机视觉,机器学习和图像处理等领域的研究热点。　　 目前基于图像的车型识别方法主要是使用图像处理的技术来对图像进行分割得到汽车的前景,然后根据轮廓的大小、面积、形状或不变矩等特征来识别车型,但是这种方法一般缺乏扩展性。克服上述缺点的一个可行方案是使用基于机器学习的图像整体分类方法来对车型进行识别。　　 本文详细研究图像分类的相关技术,其中词袋模型(Bag-of-Feature,BOF)广泛出现在各种前沿的图像分类算法当中。但是图像在建立BOF模型中的向量量化操作存在较大的重建误差。本文采用基于稀疏表示模型的图像分类方法进行车型识别,可以有效降低这种重建误差。整个车型分类识别的研究分为局部特征提取、稀疏表示模型构建、机器学习分类器三个部分,主要的工作如下:　　 1.主要研究以SIFT(scale invariant feature transform)和ORB为代表的局部纹理特征提取算法,并对比两种算法在车型识别上的性能。　　 2详细分析稀疏表示模型的构建过程,重点研究字典学习和稀疏编码算法,针对一般稀疏表示模型中采用离线方式学习字典出现内存消耗过大、速度慢的缺点,提出采用在线的方式学习字典。同时也研究空间金字塔匹配和空间错配核两种添加空间位置信息的方法。通过这种方式建立起来的特征模型向量可以给分类器提供非常好的分类数据模型。　　 3.研究多种基础的机器学习分类算法,如K近邻、决策树及朴素贝叶斯等,然后重点研究支持向量机分类算法的原理。针对本文中模型向量维度较大的问题,提出使用直方图交集核作为支持向量机的核函数,达到了较快的计算速度和很好的分类准确率。　　 4.在车型数据库上比较本文提出的方法和采用BOF模型与SVM分类器的图像分类算法,进一步证实所提方法可以达到更高的可靠性和准确率。