基于单目视觉的前方车辆检测系统的目标是准确而快速地检测前方车辆，从而为车辆驾驶系统提供辅助。随着机器视觉技术的不断进步，基于单目视觉的前方车辆检测在智能交通，自动驾驶等领域也得到了越来越广泛地应用。车辆特征提取及疑似区域验证是此类系统的两个主要问题。本文在分析和比较国内外各种相关研究的基础上，提出了相应的特征提取与验证算法。主要研究内容如下：（1）针对车辆特征提取时易发生漏检的问题，本文提出了一种阴影直线扫描与Frame Reduce图像过滤相结合的阴影特征提取算法。将车辆底部的阴影区域作为本阶段使用的先验特征，本文算法通过多条在同一阴影区域的影线的相互融合的方式来提取车底的阴影特征，并将其上方可能包含车辆的区域提取出来。由于影线自身的特性，本算法有着环境适应性较强，实时性较高，漏检率极低的优点。但是，其误检率较高，浪费了整体的处理时间。为确保系统的实时性，通过Frame Reduce图像对影线提取算法的结果进行过滤，以便去除大部分误检。经实验验证，本算法可以极大地降低系统的漏检率。（2）为提高在实际场景中算法的实时性与检测率，本文提出一种基于投票机制的验证算法框架。在特征提取算法初步提取了场景中的车辆信息后，通过位置估计，阴影区域检测算法，对称性检测算法，历史信息等较为简单的算法对候选区域进行投票。然后，算法将根据投票结果，将候选区域进行分类处理。投票机制降低了验证算法所需处理的数据集规模，提高了系统的实时性。由于有多种算法共同作用于投票机制，对图像中两侧车辆而言，系统的准确率有着较大的提升。（3）针对检测系统易受检测环境干扰的问题，本文提出一种阴影阈值的自动适应方法，该方法通过改进的阈值提取算法，提高适应性。此外，为防止因环境变化而导致漏检，本文又提出了一种基于历史信息的跟踪算法，当系统因为环境变化而导致漏检时，通过历史信息进行补全。通过这两种方法，提升了检测系统对环境适应性。最后，本文在Windows系统下，使用Visual Studio2008编程实现了前方车辆检测程序。经实验验证，本文方法具有较好的稳定性、准确率与实时性。