近年来随着社会经济的发展,人均汽车保有量的不断增加,城市交通安全隐患日益突显,对智能辅助驾驶技术也逐渐加强。目标检测一直以来是计算机视觉领域中研究热门,也是智能辅助驾驶技术的一个重要的研究课题,其融合机器视觉、图像处理、人工智能等领域的科研成果,在无人机、机器人等其他相关领域具有较高的理论价值和广泛的应用前景。本文研究的是基于单目视觉的车辆检测算法,为了提高检测的准确率,本文使用的检测算法基于卷积神经网络,为了解决对图像进行穷尽搜索检测带来的实时性降低问题,本文在检测之前利用简单特征快速定位车辆可能存在的位置;整个检测算法可以分为两个阶段:假设生成和假设检验。首先,论文研究了图像的预处理技术,对各种图像预处理技术进行实验分析,选取了符合本文的图像预处理算法。其次,提出了一种车辆假设区域生成方法,使用动态阈值法获取车辆底部阴影区域,利用形态学方法排除图像中的干扰区域,合并阴影区域获取阴影底部线段,根据阴影区域和车辆位置大小的关系生成车辆假设区域。然后,针对传统的基于机器学习的算法准确率较低的问题,提出将卷积神经网络作为本文检测的算法。卷积神经网络具有从原始图片中自适应提取特征的优点,可以避免人工特征提取的局限性。本文详细叙述了卷积神经网络的发展历程,对比了卷积神经网络相对于浅层人工神经网络的优势,详细介绍了卷积神经网络的原理和训练过程。最后,本文将卷积神经网络应用于车辆的分类识别。通过将不同结构的卷积神经网络,比较不同池化操作等因素对网络分类能力的影响,设计了本文车辆分类使用的卷积神经网络。经过系统设计和实现测试,实验结果表明,本文提出的车辆检测算法能够有效的检测出前方的车辆,能够满足系统实时性的要求。