در این پژوهش روشی برای تشخیص خودرو در صحنه های ترافیکی ارائه می دهیم. تشخیص خودرو در صحنه های ترافیکی از موضوعات مهم در سیستم های همکار راننده و خودروهای بدون راننده محسوب می شود و شامل دو مرحله ی ساخت فرضیه و وارسی فرضیه است که هر دو مرحله دارای اهمیت هستند. در اولین مرحله، مکان های محتمل حضور خودرو به عنوان فرضیه در نظر گرفته می شوند و در مرحله دوم همه ی فرضیه ها وارسی می شوند و به دو دسته خودرو و غیر خودرو دسته بندی می-شوند. در مرحله ی ساخت فرضیه ابتدا به کمک سایه ی زیر خودرو مکان حدودی خودرو مشخص می گردد سپس آنتروپی مکان مذکور مورد بررسی قرار می گیرد و در صورت دارا بودن آنتروپی کافی، قرینگی افقی مکان مورد نظر محاسبه می شود و در صورت قرینگی کافی آن، محدوده ی مکان مذکور اصلاح و به عنوان فرضیه در نظر گرفته می شود. در مرحله ی وارسی فرضیه از تصاویر دیتاست و همچنین تصاویر حاصل از اعمال فیلتر گوسی روی تصاویر دیتاست، ویژگی های هیستوگرام های هرمی گرادیان های جهت دار را به عنوان ویژگی های اولیه استخراج می کنیم. سپس تکنیک تحلیل اجزای اصلی را به عنوان ابزاری برای کاهش ابعاد ویژگی ها روی این ویژگی ها اعمال می کنیم. در گام بعد با استفاده از الگوریتم ژنتیک و ماشین بردار پشتیبان خطی، وزن های بهینه را برای ویژگی های حاصل از گام قبل می یابیم تا کارایی و تعمیم آنها را افزایش دهیم. در مرحله ی وارسی فرضیه، از تصویر فرضیه و همچنین تصویر فیلتر شده ی آن، ویژگی های هیستوگرام های هرمی گرادیان های جهت دار را استخراج می کنیم. سپس تحلیل اجزای اصلی را روی این ویژگی ها اعمال می کنیم و سرانجام فرضیه مذکور را با توجه به وزن-های ویژگی ها دسته بندی می کنیم و محدوده خودرو را در تصویر مشخص می نماییم. آزمایش های ما نشان دادند مرحله ی ساخت فرضیه پیشنهادی قابلیت تشخیص مکان حدودی خودروها را با دقت مطلوبی داراست و همچنین مرحله ی وارسی فرضیه پیشنهادی به دقت دسته بندی % 76/97 بر روی تصاویر تست دست یافت.