随着近年来汽车产量的突飞猛进,汽车已经成为人们日常生活的必需品,尤其电动汽车、智能化汽车、无人驾驶汽车的快速发展,科技的快速发展需要技术的支持。道路上行驶车辆检测系统在智能交通系统中充当着重要的角色,发挥着重要的作用。随着计算机技术的快速发展,计算机视觉技术也慢慢的出现在了人们的视野当中,图像处理技术也成为目前最热点的研究课题之一,基于图像处理的车辆检测技术得到广泛关注,在良好的天气下车辆的检测识别率较高,鲁棒性也很好。但是如何在雾霾环境下的对道路上的众多车辆实行实时检测识别是智能交通发展中关键的一步。通过采用基于边缘检测与车牌定位方法和当下发展迅速的深度学习算法的方法,对车辆在雾霾环境下进行检测识别,发挥各自的优势,能够提高车辆检测识别的精准度以及检测效率更加完善了智能交通系统。首先,针对道路上行驶部分车辆颜色以及道路的路面的颜色会与雾霾相接近的问题,本文提出了通过引入参数对去雾算法中的透射率进行优化,对暗原色失效进行改善的方法。采用大气散射模型以及暗原色先验理论,对车载摄像头采集的图像进行去雾处理。对去雾参数优化后,能够减少去雾处理后颜色失真及对比度下降的问题。然后,针对雾霾环境下光线条件较差,图像模糊,不能够采用车道线以及车辆底部阴影对车辆进行检测的问题,本文提出了通过车辆的边缘特征初步确定车辆的存在区域,然后与车牌的定位相结合,实现车辆的精确定位的方法。在车辆的边缘检测过程中,针对雾霾环境下车辆边缘信息模糊的问题,通过采用将边缘检测算法敏感度阈值降低,能够将图像中的边缘信息良好的展现出来。对于因边缘检测算法敏感度阈值降低会造成对道路上的广告牌、指路标志等物体误检成车辆可能存在区域的问题,通过在检测到的车辆可能存在区域进行车牌定位来实现车辆的准确定位。针对雾霾环境下不能通过车牌的灰度特征、小波分析等方法进行定位的问题,本文采用通过边缘算子对车牌进行边缘检测,然后运用形态学进行处理,对车牌进行初步定位;通过对车牌可能存在的区域进行颜色统计,最后精确地得到车牌的上下左右边框,对车牌精确定位,从而实现对车辆的精确定位,提高了车辆的识别率。最后,选择目前在图像处理方面性能较好的YOLOv3深度学习网络进行道路上车辆识别,可以对大、中、小车辆进行实时检测,检测速度快。由于YOLOv3能够对80类的物体进行检测,又因为原数据集COCO中的物体种类繁多,其先验框尺度和大小并不能和实际智能交通系统以及智能驾驶环境中的车辆的边界框很好地重合。针对上述问题,本文采用K-means聚类算法对锚框（Anchor box）进行设计优化,然后通过非极大抑制确定最后目标检测的Anchor box,使车的目标与边界框重合。为了提高训练速度,并且能够识别雾霾环境下的车辆,本文把摄像头拍摄到的雾霾图像以及随机抽取的公开数据集中的图像,制作成场景较多较复杂的训练集以及测试集。训练时首先采用车辆测试的专用数据集KITTI进行初次训练,获得训练的权重,然后将获得的权重作为训练自己制作的训练集（包括自采图像与Pascal voc数据集中图像）的初始权重进行二次训练。本文还通过选择深度学习框架,选取激活函数与损失函数,得到一个识别率较高的深度学习神经网络,实现车辆的检测,检测率达到了86.82%。