在目前国内机动车保有量不断增加的现实环境下,交通管理部门的工作面临着极大的压力与挑战,而对车辆型号的识别是相关工作中极为重要的任务。研究过程中发现车辆种类繁多,部分车型区分度小,而实际拍摄图像中的车辆姿态又各不相同,车型的精细识别难度大大提高。本文面向多姿态车辆的识别问题,采用深度学习方法进行车型识别研究,从不同的研究角度提出了两种车辆型号精细识别方法:基于FR-ResNet的车辆型号精细识别方法和基于视觉注意力模型的车型精细识别算法。在多个多姿态车辆数据集上进行实验,实验结果表明两种方法均能提高多姿态车辆型号的识别效果。本文的主要工作如下:(1)对深度学习卷积神经网络的一些经典模型进行介绍,尤其是残差网络模型ResNet,并对经典残差网络进行了改进;对目前常用的可用于车辆型号精细分类的数据集进行介绍。(2)提出了一种车型精细识别网络模型FR-ResNet:以改进的残差网络结构为基础,通过多尺度输入、低层特征在高层中重用和特征图权重学习策略来实现对残差网络特征的重用。FR-ResNet是一种基于残差网络特征重用的深度卷积神经网络模型,该模型在两个多姿态车辆数据集上都取得了很高的识别精度。(3)提出了一种基于视觉注意力模型的多姿态车型精细识别算法CAM:以卷积神经网络为主体,结合局部双线性加权结构,基于注意力机制利用LSTM对全局卷积特征图组重编码;在网络高层部分嵌入卷积LSTM结构来学习到高层特征空间关系。将该算法加入多种经典卷积神经网络模型中,在数据集上与原网络模型进行对比实验,均能带来一些效果的提升。