道路车辆检测（On-road Vehicle Detection）是汽车主动安全技术中的一个主要组成部分，与行道线检测，行人检测和障碍物检测一起构成了驾驶员辅助系统中碰撞避免预警系统（Collision Warning Systems，CWS）的主要部分。基于视觉的道路检测一直是道路检测系统研究的热点，基于视觉的道路车辆检测在不断追求精确性的同时也面临实时性和鲁棒性的挑战。目前道路车辆检测的主流方法是基于统计学习的方法，针对基于Haar-like特征和Adaboost算法训练的级联分类器训练时间长，检测率相对较低，容易产生过适应等缺点，本文对传统的级联分类器进行道路车辆检测的方法进行改进，主要工作如下：为了增强特征的表现力，提出一种特征融合的方法，引入方向梯度直方图（Histograms of Oriented Gradient，HOG）特征到特征集当中，并且为了在训练过程中更好的进行特征的融合,对HOG特征的提取过程进行了修改，使之和Haar-like特征的特征个数和计算复杂度相当。特征的计算分别使用积分图像和积分直方图来进行加速。针对Haar-like特征和HOG特征分别设计不同形式的弱分类器，使用实值分类器代替二值分类器，对每一个特征进行弱分类器的训练；并且用Gentle Adaboost算法代替Discrete Adaboost算法进行强分类器的训练，以减少整个级联结构使用的特征数。最后，在融合特征的基础上提出一种结合支持向量机（Support VectorMachine，SVM）的级联分类器设计。在级联结构的最后几层上使用Adaboost算法挑选出来的特征组成特征向量训练SVM分类器，得到的强分类器更加具有鲁棒性，以进一步减少级联结构的训练时间并且避免使用过多特征而导致过适应。利用OpenCV（Open Source Computer Vision Library）和C语言在VS2008环境下实现了一个基于多特征的级联分类器，验证了所提出的车辆检测方法，并与传统级联分类器的性能进行比较，对其结果进行分析。实验结果表明本文所提出的分类器在提高传统级联分类器的检测性能的同时也减少了训练时间。