自动驾驶技术重塑了人们对于出行的认知,具有极大的社会价值与经济价值。车辆检测作为自动驾驶技术的基础方向之一,为后续防撞预警系统提供了技术支撑,成为当前研究的热点。然而夜间亮度低,路况复杂,车身轮廓不明显,现有车辆检测手段存在一定的局限性。针对此问题,本文提出两类基于视觉的夜间车辆检测方法:基于车尾灯配对的算法和结合Mobile Net v2与YOLO v3的深度学习算法。在夜间行车过程中可有效辅助驾驶员及时感知路面车辆情况,注意潜在碰撞风险,提高行车安全。主要研究内容如下:（1）针对目前基于车尾灯的夜间车辆检测方法在检测并行车辆时容易发生误检的问题,本文设计了一种车尾灯配对方法,提出了结合车灯配对与特征融合的夜间车辆检测方法。利用提出的车尾灯配对方法确定车辆的潜在区域,随后提取该区域的多元特征,使用训练好的SVM分类器对车辆潜在区域进行验证。最后通过实验证明,提出的检测方法能够较好的完成夜间车辆检测任务。但由于该方法依靠先验知识与人工特征在复杂场景下的检测效果还存在一定的局限性。（2）针对基于车尾灯的检测方法在复杂场景下检测率不足的问题,本文提出了结合Mobile Net v2与YOLO v3的深度学习夜间车辆检测算法。考虑到实时性的要求,网络的特征提取主干采用轻量级网络Mobile Net v2。同时使用K均值聚类算法对本文数据集进行重新聚类,以得到适宜车辆的锚框大小。另外,采用EIo U损失函数作为定位损失进行模型的不断优化。通过在公开数据集与个人测试集上验证表明,该算法能够有效实现复杂夜间场景下的车辆检测。本文从传统及深度学习两个方向出发提出了两种基于视觉的夜间车辆检测算法。基于车尾灯配对的检测算法能有效解决并行车辆车灯错误配对的问题。基于深度学习的检测方法能克服传统视觉方法中依靠先验知识和人工特征的问题,并达到88.11%的平均精度及每秒23帧的检测速度。本文的研究成果为夜间车辆智能驾驶中防撞预警系统的实现奠定了基础。