随着全球经济的不断发展以及各国人民生活水平的逐渐改善,汽车数量及其普及率自然也随之提高,落后的人工交通管理已经远远不能满足现代化交通管理的需求。近年来,智能交通系统的出现为交通管理做出了巨大的贡献,智能交通系统的目标就是通过检测道路周围的环境来提高交通的安全性和减少道路交通事故的发生率。而车辆目标识别一直以来都是智能交通管理领域的最基本也是最重要的研究方向。国内外学者已经较为成功的研究出一些车辆目标识别方法,但是目前仍然存在许多缺点,比如在复杂环境下的车辆目标识别准确率并不令人满意,这已经成为了近年来国内外的研究热点。针对上述问题,本文建立复杂环境下基于KPCA和高斯过程的车辆识别模型,该模型包括特征提取和分类器构建两部分。特征提取主要使用KPCA来提取车辆图像的特征描述子。分类器主要基于GPC完成构建,并通过实验来验证算法性能。论文主要完成如下三方面工作,一是在图像预处理阶段,针对有雾天气和夜晚时间等低能见度场景,提出一种图像自适应增强算法,有效改善了上述环境中车辆图像质量;此外,还实现了车辆图像的梯度直方图特征提取。二是针对车辆图像梯度直方图特征维数较高,影响后续算法效率问题,探讨了基于主成分分析和核主成分分析梯度直方图特征降维方法,三是建立了基于高斯随机过程的车辆分类器。上述模型用于车辆图像识别,提高了复杂环境下车辆目标的识别率。实验结果表明:该算法具有较强的实用性,在复杂环境下,能够实现车辆目标的正确识别,识别率达到98.7%。本文提出的这种车辆目标识别方法取得了较好的效果,具有较大的研究意义和实用价值。