随着人工智能技术的不断发展,智能交通系统在交通运输行业得到越来越广泛的应用。车辆部件识别作为智能交通系统中的重要技术,受到众多研究人员的关注。车辆部件识别旨在通过自动化手段识别出每种车辆部件的子类别,该技术可应用在车辆的车牌号无法被识别或需要相机自动识别车辆的某个型号的场景中。现阶段常见的车辆部件识别算法通常将各类部件的识别看成是独立的分类任务。然而,该方式忽略了不同识别任务间可能存在的关联性。通过分析实际情况和数据集各部件的数量分布规律,本文发现不同部件的类别之间存在一定的联系。在本文中,这种联系被称为车辆部件间的“共生关系”,即在同一辆汽车上,一种部件的子类别确定后另一种部件的子类别能随之被确定的可能性。为利用共生关系来提高车辆部件的识别准确率,本文提出了三种基于共生关系的车辆部件识别网络。本文首先给出了一种评估共生关系强弱的方法——互信息。通过计算部件间的互信息,发现不同的部件组合存在不同强弱程度的共生关系。其次,本文提出了一种基于Siamese结构的部件识别网络。该网络参考了Siamese网络,采用深度残差网络作为基础网络,通过结构相同,权值共享的网络来利用共生关系。此外,为实现多分类功能,本文将Siamese网络末端的相似性度量损失函数修改为交叉熵损失函数。实验表明,相比于传统的单一部件的识别网络,基于Siamese结构的部件识别网络在大部分部件的识别上能取得更好的识别效果。针对基于Siamese结构的部件识别网络识别性能提升程度较小的问题,本文进一步提出了基于通道合并的部件识别网络,该网络采用通道合并的方式整合输入部件图片所携带的共生关系信息。这种方式不仅能让各识别任务共享网络权值,也能让网络对输入的多个部件同时提取特征。通过对输入图像进行通道整合,网络能更好地学习并利用共生关系。实验表明,相比于基于Siamese结构的部件识别网络,基于通道合并的部件识别网络能更大程度的提升识别准确率。基于通道合并的部件识别网络虽然能让网络对输入的多个部件同时提取特征,但该方式也会导致各部件自身的信息过早地与其他部件的信息相融合,从而丢失各部件自身的类间差异信息。为解决该问题,本文进一步提出了基于语义特征合并的部件识别网络。该网络首先采用包含两个独立子网络的特征提取模块去提取两类输入部件的语义特征,再通过一个权值共享的网络去学习共生关系。这种两阶段的结构不仅让网络关注到部件间的共生关系,同时也依然考虑了部件自身的类间差异信息。实验表明,该网络拥有比基于通道合并的部件识别网络更好的识别性能。