随着监控发展的需求，基于视频的车辆检测问题已成为竞相研究的热点对象，相关研究成果已广泛的应用于智能交通系统中。车辆检测作为智能交通系统中的首要任务，其性能对后续的处理及应用具有重大影响。本文的车辆检测系统流程包括：（1）利用高斯混合模型建立背景模型，对运动车辆区域进行初步分割，（2）通过HOG特征进行特征提取，（3）使用ELM算法学习分类模型。针对车辆检测存在不同角度的旋转和背景光照复杂多变等问题，本文提出RIHOG特征，该特征满足旋转不变性；同时自适应更新训练负样本，达到分类器模型也随着时间变化而不断更新，使其可以适应多个应用场景，从而提高了车辆的检测精度。　　本文的主要内容有：　　（1）介绍了智能交通系统的研究背景和意义，阐述了基于视频的车辆检测的研究现状，总结了车辆检测各个模块的现有方法，了解该论文使用的相关前景检测技术、特征提取算法以及分类器的知识。　　（2）我们提出了基于RIHOG特征的车辆检测算法，该算法分为训练和测试两个阶段，训练阶段通过训练样本集训练出ELM分类器模型，测试阶段首先通过高斯混合模型和形态学处理提取运动区域，然后将运动区域作为测试集，求取测试集的RIHOG特征，并将其放到ELM分类器中。同时通过不断地自适应更新训练集的负样本来更新分类器模型。　　我们在实际采样的视频数据上，分析了本算法的性能，并与其他技术作了对比。最后对全文的工作进行总结并给出后续的展望。