近年来,随着机动车的数量急剧增大,由此带来的交通拥堵、交通事故等交通问题也越来越突出,而智能交通系统的出现在一定程度上成为了解决交通问题的一个重要途径。其中,车型识别技术是智能交通系统中一项关键的技术,在交通肇事追逃、假牌套牌车追查等交通管理方面具有重要应用。目前,在车牌照无法识别的情况下,已有的车型识别方法仅能够实现大、中、小车型的简单分类,还不能满足追逃、追查等交通管理的需要。因此,如何在无牌照信息情况下,快速准确的对车辆品牌、型号等信息进行精细车型识别和分类是目前车型识别方法的研究重点和方向,具有一定的实际意义。借鉴国内外在计算机视觉领域相关的研究成果,本文建立了一种基于众包层与深度学习融合的车型识别算法模型。算法模型采用众包技术获取大量的车型数据集的标签,并利用深度学习技术实现对车辆的检测和精细识别分类。本文的研究工作如下:(1)基于深度学习的车型识别算法的研究。在分析现有车型识别方法的基础上,着重对基于深度神经网络模型的车型识别算法模型进行了研究。方法的主要思想是使用目标检测算法对原始图片中的目标车辆先进行检测,以实现背景与目标的区分,再采用几种不同的深度卷积神经网络对提取到的目标车辆进行识别与分类。实验结果表明,ResNet模型可以获取更深层次的车型特征的向量表征,车型识别的准确率最高。(2)基于深度学习的车型识别算法的优化。针对所建立的车型识别算法模型训练速度慢、计算量大和训练时间长的问题,给出了一种基于MobileNet优化的ResNet模型,利用MobileNet模型结构对ResNet的残差块进行优化。实验结果表明,优化后的ResNet模型结构轻量化,不仅保证了识别的准确度,而且缩短了网络训练的时间。(3)基于众包与深度学习融合的车型识别算法研究。为了获取更多车型数据的种类,解决数据标记过程中耗时、标记成本高等问题,本文采用众包模式来对车型数据集进行标定,并针对目前现有的众包质量控制算法存在复杂度高、学习正确标签与标注者能力较差等问题,建立了一种基于众包层与深度学习融合的车型识别算法模型。实验结果表明,该模型可以达到较高的识别准确率,并验证了该模型的有效性。(4)车型识别平台的实现。基于本文建立的众包层与深度学习融合的车型识别算法模型,设计出一个车型识别平台原型,利用平台的功能可以实现对车型数据库中车型的识别分类与车辆特定信息检索与追踪。