在过去的十几年里，车辆检测系统已经得到了广泛的关注，而其中基于视觉的车辆检测系统尤为突出。在这些系统中，图像分割算法对车载摄像机所获取的图像进行处理，输出初始的对象假定区域，即感兴趣区域(Regionofinterest，ROI)，并交付给对象识别算法用于进一步的识别(车或非车)。ROI分割算法能够给出车辆检测的初始区域范围，很大程度上降低搜索空间，加速后续识别算法的速度。 本文总结了多年来车辆检测系统中所应用的图像分割算法，并分析了各种分割算法的特点。 本文在德国波鸿鲁尔大学神经信息学研究所的基于车底阴影的ROI分割算法基础上，提出了一种新的分析道路区域的像素灰度、构造车底阴影阈值的ROI分割算法。首先，算法对道路区域图像像素进行采样，通过对它的灰度直方图分析来最终计算出车底阴影阈值。使用所确定的阈值，能够很好的提取车底阴影区域。同时，本文提出了基于变化率的边缘抽取方法，不仅能够准确的抽取出边缘信息，还能在很大程度上降低所要处理的信息量。通过结合图像的边缘信息和车底阴影区域，能够准确地提取出车辆的车底阴影底边。其次，在随后的车底阴影片段聚类过程中，应用3D几何约束，完成阴影片段的聚类和聚类片段的筛选。其中，3D约束通过图像和真实世界坐标之间的相互转换，也就是反向透视图转换(InversePerspectiveMapping，IPM)来实现的。最后，使用所得到的聚类片段，按照固定的纵横比来生成车辆假定ROI。 不可避免地，投射阴影是一种经常出现的干扰情况，它会对真正车底阴影的正确聚类产生严重的影响，必须作适当处理。本文针对道路上投射阴影的特点，提出了一个在HSI空间中，使用颜色特征来检测投射阴影的方法。该方法分别使用了色调、亮度特征和定义的HSI空间中的距离度量来完成投射阴影检测。实验证明，该方法能够很好地消除道路上的投射阴影。 基于车底阴影的ROI分割算法已经实现并应用于汽车电子先行技术研究中心(AdvancedAutomotiveElectronicResearchCenter，AAC)车辆识别引擎中。算法在包括不同天气条件，不同光照条件等的评估条件下，都能够将车载摄像机拍摄的图像序列中的车辆存在区域，即ROI很好的分割出来。实验结果证明了基于车底阴影的ROI分割算法的鲁棒性和可用性。