作为智能交通系统的重要组成部分，车型识别系统对于改善交通管理，建设智能城市具有重要意义。相较于传统车型识别系统主要适用于区分货车、客车、汽车等车型大类，汽车细粒度识别系统旨在同一车型大类下，至少识别出目标车型所属厂家，品牌和上市时间等信息，是构建新型车型识别系统的重要基础，同时也具有极大的市场应用前景。　　考虑到直接采用深度学习来实现对汽车车型的细粒度识别存在着模型训练成本高昂，训练过程严重依赖大数据支持等问题，本文提出在深度学习的基础之上引入迁移学习方法，通过去除Inception V3模型的最后一层后再加上一个全连接层和Softmax分类器来构造汽车细粒度识别模型。并经过采集，分类，标记等步骤构建了一个包含“上海大众”旗下所有车型图像的小型数据集来充当训练数据集（共分27类，约30000张，车图包含各种车型视角和背景环境）。实验结果表明，该模型不但能在较小数据集上实现对任意视角车图的细粒度识别（最优准确度约80％，增加每类车型的图像数量，模型识别准确率会相应有所提高），同时还能极大地降低训练成本。为进一步提高模型的识别精度，本文还对训练数据集图像进行了Bounding box处理，模型识别准确率取得了显著改善。　　最后，针对于传统车型识别系统安装及维护困难，缺少市场应用等问题，本文将已训练好的汽车细粒度识别模型安装至iOS设备中，并围绕汽车细粒度识别功能开发了相关App及服务器程序，成功搭建了一个基于移动设备的多功能汽车细粒度识别系统。与传统车型识别系统相比，该系统更贴近普通用户，市场应用价值大，对深度学习的移动化及商业化应用也具有重要意义。