随着大众生活水平的提高,汽车数量越来越多,随之带来更多的交通问题。通过车辆检测及车型识别技术可以有效地缓解交通问题。相对于传统的机器学习及图像处理方法,深度学习在计算机视觉领域的优势非常突出。因此,本文采用深度学习的方法解决交通中的车辆检测和车型识别问题,为智能交通系统提供技术支持从而缓解交通拥堵等问题。具体研究内容如下:首先,阐述深度学习中的卷积神经网络的理论基础,包括卷积神经网络结构组成和网络训练方式,其中结构组成重点研究了卷积层、池化层、几种常见的激活函数、全连接层和分类器、正则化,网络训练主要研究了反向传播算法和梯度下降法。其次,针对传统的车辆检测方法不能适应多变的交通环境问题,本文采用卷积神经网络自适应地提取车辆特征。研究分析基于区域的卷积神经网络系列算法,并选择性能良好的R-FCN框架作为车辆检测网络。为了进一步提高车辆检测的准确率,本文对R-FCN框架中的共享卷积网络进行了改进,具体方式是增加共享卷积层的数量,最终使车辆检测的平均准确率提升了4%以上。再次,针对传统的车型识别仅仅是车辆粗分类问题,本文将对车型进行精细分类,其中包括72种品牌256种车型。研究分析常用的图像分类网络,最终选择分类能力出众的DenseNet作为车型分类网络,并在CompCars和VehicleID车型数据集验证了车型分类网络的有效性。最后,采用真实场景下的交通图像和视频验证车辆检测网络及车型分类网络的效果。结果表明,车辆检测网络在不同环境下都能获得较高的检测准确率,同时,针对交通视频中的车型,车型分类网络能够取得良好的分类效果。