道路车辆检测与车道检测、行人检测和障碍物检测一起是构成驾驶员辅助系统中碰撞避免预警系统中的重要组成部分。基于计算机视觉的道路车辆检测系统在达到实时性的同时也面临着鲁棒性和精确性的挑战。基于统计学习的方法是目前道路车辆检测中最热门的方法。针对使用基于Haar-like特征和Adaboost算法训练的级联分类器在进行道路车辆检测时检测速度较慢和检测率相对较低等问题，对传统的级联分类器进行了改进，主要工作如下：1、提出了一种特征融合的方法。将二进制稳健独立基元特征(BRIEF)与Haar-like特征融合以增强特征表现力和加快检测速度。针对Haar-like特征和BRIEF特征分别设计了不同形式的弱分类器来共同构建强分类器。2、改进了Haar-like特征和BRIEF特征。针对车辆车底阴影区域增加了一种新的Haar-like矩形特征原型以适合阴影特征的描述，删除了4种在车辆检测中较少使用到的传统Haar-like矩形特征原型。针对BRIEF特征对噪声敏感的缺点，用小块区域内像素亮度值之和比较来取代单个像素点亮度比较，有效的减少了单点噪音的影响，并引入积分图像法以加快小区域内像素和的计算；针对BRIEF特征不具有尺度不变性的问题，引入了尺度空间理论解决了BRIEF特征点在不同尺度下的匹配。3、使用了一种基于卡尔曼滤波器的车辆跟踪算法来加快车辆检测的速度。将车辆的尺度和位置作为卡尔曼滤波器的向量，预测出下一帧车辆的尺度和位置，把原车辆和预测的车辆位置都认定为含有车辆的区域，从而通过缩小检测时的搜索范围来加快检测速度。最后完成了一个道路车辆检测系统。实验结果表明本文所提出的分类器在识别速度和识别率上都优于传统级联分类器，具有实时性和鲁棒性；使用的跟踪方法能进一步提高车辆检测速度。