目前交通视频检测技术已成为智能交通系统领域近年来的研究热点，在实际工程中得到越来越多的应用。车辆检测作为交通视频检测的重点和难点所在，占有重要的研究地位和意义。　　 虚拟线圈法是一种常用的车辆视频检测技术。思路来源于电磁感应线圈，通过计算线圈图像的某种特征输出信号，判断某个时间段信号是否满足一定的规则要求，以检测出车辆是否占据线圈。由于其中的特征定义和判断规则都有很强的针对性，切换不同的检测环境（如改变线圈位置）时都需要重新调整，甚至重新设计。因此在应用时需要进行大量调节实验，这严重影响到算法的推广应用。　　 本文研究目的就是探索一种易于切换检测环境的视频检测方法。在线学习算法具有在线自组织能力，近年来被应用到视频目标识别和跟踪领域，并且展示出较显著的效果。鉴于车辆视频检测任务本身也具有在线性质，本文把在线AdaBoost分类与虚拟线圈检测方式相结合，设计了一个能够自适应检测环境的线圈检测算法。并完成了以下工作：　　 (1)依据线圈的负样本之间差别不大，而正样本之间差异较大特点，设计在线AdaBoost弱分类器。该分类器定义负类的特征值为一个正态分布，远离这个正态中心的样本点属于正类。　　 (2)以自反馈的形式应用在线AdaBoost分类。为防止分类器退化，使用线圈背景图像初始化分类器，并作为正确的负样本在分类器后续的学习过程起到监督训练作用。　　 (3)通过多组实验测试本文算法对检测环境的适应能力。实验结果表明算法在使用几乎相同参数的情况下能够在两个视频上的不同位置有效完成检测任务，同时具有实时性。　　 (4)最后给出把检测算法用于车辆计数的一个应用示例。