智能辅助驾驶系统(Advanced Driver Assistant System,ADAS)是指利用传感器技术、计算机视觉技术以及通信技术等先进技术来降低主动事故发生率的车载设备。在ADAS中最重要的是对行车环境的感知,而车辆则是行车环境中存在的主要障碍物,通过对前方车辆信息的实时感知能够有效的保持车辆间的安全距离并预防和避免碰撞,近年来随着计算机视觉技术的飞速发展,越来越多的国内外科研机构将基于视觉传感器的车辆跟踪方法作为研究的重点内容。车辆跟踪是对目标车辆进行连续定位的关键,不同于车辆检测,跟踪能够利用连续视频中前后帧的关联信息去预测下一时刻目标可能出现的位置,因此避免了对视频序列的全局搜索,保证了算法的实时性。然而,由于实际行车环境中存在着背景信息复杂、目标车辆运动不可测以及车载处理设备运算效率低等不利因素,车辆跟踪任务仍然存在很多挑战。当前在跟踪领域公认的两大类跟踪算法分别是生成式跟踪算法以及判别式跟踪算法,本文由这两类算法在车辆跟踪中的应用展开研究,提出了适用于车辆跟踪任务的实时、准确的跟踪算法。首先是对目标车辆的特征提取,由于本文跟踪的类别是已知的,因此可以通过分析车辆的特性去选择合适的特征描述。通过对比颜色特征、纹理特征以及边缘特征对车辆的不同表达形式,本文提出了一种结合Sobel边缘算子与LBP纹理特征的SULBP特征,新的特征即保留了纹理特征对物体内部组织结构的表达以及对光照的不敏感性还兼顾了Sobel边缘算子对物体边缘高频细节信息的描述。通过实验对比,本文提出的SULBP特征在对车辆的跟踪性能上优于其他几种常见的特征。其次,为考虑跟踪算法的实时性,需要对提取的特征进行降维,本文参考等价局部二值模式(Uniform Local Binary Pattern,ULBP)的降维思想,提出了一种统计二进制特征值跳变次数的自适应降维方法,并将这种降维方式应用于SULBP特征,降维后的特征很大程度上减小了算法的运行时间。再次,针对单个特征对目标表达能力不足的问题,本文提出了一种多特征融合的粒子滤波算法。在特征融合策略上,通过分析颜色特征与SULBP特征在不同干扰下的粒子集分布状况提出了一种基于粒子集最小邻接矩形面积的融合方案。验证实验表明,本文提出的基于粒子集最小邻接矩形面积的多特征融合粒子滤波算法(MCRP_PF)相比于单特征粒子滤波算法以及固定融合系数粒子滤波算法在跟踪性能上更为鲁棒,而在算法的运行时间上也能保证实时的要求。最后,在对判别式跟踪算法的研究中,本文以核相关滤波器(Kernelized Correlation Filter,KCF)为基础,针对KCF算法无法自适应调整跟踪框尺寸这一问题,提出了基于粒子滤波的尺度估计器,新的尺度自适应KCF算法(AS_KCF)以传统KCF算法的位置输出为目标的位置输出,以粒子滤波的尺度输出为跟踪框的尺度输出。通过实验验证,AS_KCF算法在跟踪准确度上优于当前一些优秀的判别式跟踪算法,在平均成功率上相比于传统KCF算法提升了12.3%,同时在PC上的运算速度也能达到实时的要求。