监控车型识别是智能交通系统中的关键模块,近年来在计算机视觉领域和智慧交通领域都受到广泛的关注。深度学习方法,特别是卷积神经网络因其强大的表示性能,已经在针对监控视频的车型识别中取得了较大进展。但传统深度学习存在的关键假设是训练数据与测试数据属于独立同分布,这就要求在实际应用中,需要有大量标记好的同样监控采集环境下的车型数据作为训练数据,对神经网络进行训练。考虑到在实际应用中,监控系统采集过程各异,手工对监控车型进行标记成本较大,获取一种通用且完备的监控车型数据是非常困难的,这些应用特点都较大程度上限制了深度学习方法在监控车型识别上的实际应用。本文针对监控数据中车型识别应用特点,开展小样本下的深度学习车型识别研究,通过在深度学习中引入迁移学习和主动学习思想,既保留深度学习本身强大的特征提取能力,又降低了对大规模标注样本的需求。本文提出了一种基于迁移学习和深度学习的监控车型识别算法,通过引入易于获取标签的互联网车商图片辅助对毫无标签的监控车型图片进行跨域跨数据集识别。为了克服互联网车商图片与实际监控图片中车型数据的分布差异,本文将域分布正则化项加入至传统深度网络的目标函数中,在强调特征表示的同时也强调域间差异最小化,以实现知识的跨域迁移。在公共数据库上的实验结果显示,该种方案较传统的深度学习方案在跨数据库车型识别任务上提升了 10%的性能。本文提出了一种基于主动学习和深度学习的监控车型识别算法,通过引入主动学习算法框架对监控车型图片进行高效的人工标注,有效减轻了对大规模数据的标注压力。为了解决实际监控图片中有标注车型数据缺失和车型数据冗余重复的问题,本文挑选最有利于模型泛化性能提升的高信息熵样本进行人工标注,同时通过双向阈值策略选择可靠的高置信度样本进行模型标注一起加入训练集,在为模型学习提供新特征的同时也缓解原始训练数据分布的陡变,以确保模型的稳定更新。在公共数据库上的实验结果显示,该种方案相比于随机挑选样本构建训练集的方式在达到同水平的可靠识别能力时节约了40%的人工标注量。