由于国民经济的增长,国内的交通压力日益增大,智能交通成为当今交通工程领域研究的热点。而随着计算机技术的迅猛发展,计算机视觉的应用价值越来越大,成为智能交通研究的主要方向。计算机视觉技术被用于视频监控系统,可以完成对交通图像的实时处理与信息挖掘,有助于车辆导航与交通管理。本文研究内容包括车流量的统计、车辆类型的检测与车辆大小的分级。车流量统计会受到粘连车辆的影响,目前的解决方法是通过视频跟踪来识别粘连车辆,这要求车辆之间有明显的相对运动,最近研究提出了形态学分离粘连目标的方法,但粘连面积过大的车辆无法分离,本文提出了基于纹理特征的粘连车辆识别方法,首先提取出车辆轮廓线图,然后利用灰度分布特性计算图像各局部区域的纹理特征参数,再通过一系列修正算法,完成粘连车辆的识别与判断；车辆类型检测目前通过车牌识别实现,这对检测距离和图像的清晰度要求很高,不能完成对大量交通流的分类统计工作,本文设计了车辆类型检测算法,采用基于傅里叶描述子的方法提取出各种车型的基准特征向量,生成图像库,车辆类型检测通过图像库模板匹配来实现；车辆大小分级是无人收费站对车辆进行收费的参考指标,但目前收费站通过车载收发机完成自动收费,容易误检,本文利用积分思想建立了收费站车道的空间模型,并根据视差原理设计了误差修正算法,能够计算出车长与车宽,实现了对车辆大小的检测与分级。本文用VC、MATLAB等软件对车辆的检测算法进行了实验仿真,仿真结果表明：基于傅里叶描述子的检测算法能够很好地适应车辆目标的平移与翻转,通过将被检车辆与图像库模板匹配能够比较准确地判断车辆类型；基于纹理特征的识别方法,对粘连车辆识别的成功率高,能够提高车流量统计的精度；在车辆外廓尺寸测量方面,利用视差原理对空间模型算法进行改进,提高了车辆外廓尺寸算法的精度。本文的工作优化了车辆检测系统的算法,有一定的应用价值。