随着国民经济的不断增长,交通运输业显得越来越重要,公路的建设也得到了迅速发展,由此带来的交通问题也变得日益严重。于是,智能交通系统(ITS)成为各国解决交通问题的研究热点。　　本文比较了在ITS中目前应用比较多的几种车辆识别方法,感应线圈法、轮廓识别法、红外探测法等属于简单识别方法,精度不够,识别率不高。基于视频的监控系统在交通管理方面比其他的系统更加实时、全面、通用。而车辆的识别分类算法的优劣往往直接决定了监控效果。传统的机器学习方法(如神经网络算法)在训练样本数不够大,或者问题处于高维空间时识别率会大幅下降。　　支持向量机(SVM)是一门相对较新的理论,它能够有效避免传统学习方法因无法控制分类器的容量而出现的过学习问题,而且算法复杂度与维数无关,从而确保所得到的分类器具有较好的泛化性能。由于其突出的算法优势,目前已经在文本分类、手写识别、图像分类、生物信息学等领域中获得极大应用。　　基于SVM理论,本文提出了一套识别率高,实时性好的车型识别分类系统。系统硬件采用双DSP芯片与ARM9、FPGA,结合的高性能平台,可以高速实时并行运行交通视频流的检测、跟踪及分类算法。根据实际情况,选择了结构矩做为车辆特征,SVM算法做为学习分类器,通过大量的实验工作,比较采用线性核函数、多项式核函数、径向基核函数以及线性组合核函数时,分类器的泛化误差。结果表明,选用合适参数的线性组合核函数可以得到最优分类结果。