车辆检测子系统是车辆自动驾驶系统及交通监测系统的重要组成部分。针对道路交通中复杂场景下的车辆检测问题,本文从图像的特征提取和分类检测两个方面进行了深入研究。大多数现有的基于图像的车辆检测系统使用局部特征来描述车辆信息,例如haar-like特征、梯度方向直方图(HOG)、尺度不变特征(SIFT)、 Harris角点特征等等。这些局部特征在处理不同的光照条件、尺度变化、形变时仍然存在不足。车辆特征应该具有良好的辨识度和鲁棒性。本文提出了一种新的基于多特征金字塔的车辆检测方法,实现复杂背景下的车辆检测。首先,利用场景分类特征对待检测图像经行预处理,划定出车辆可能出现的区域。然后,在选出的区域中,建立金字塔结构的多尺度模型,利用LUV颜色空间,梯度特征和局部关联模型的融合作为车辆特征的描述。多特征金字塔模型能为车辆检测提供更具有辨识度和鲁棒性的特征描述。通过分析研究当前的分类算法,最终选择AdaBoost分类算法组成车辆检测系统。本文在两个公开的交通数据库中进行实验对比,实验结果表明局部特征与局部联合特征的结合增强了系统对于车辆的识别性。而且,实验结果在尺度变化,视角变化,复杂背景下都是令人满意的。我们的方法比其他现有的方法有更好的检测性能。同过本文的研究,丰富了图像检测与识别技术,推进了车辆检测系统的实用化进程。