为了应对日益严重的交通问题,人们试图通过智能交通系统进行改善。而深度学习技术的快速发展为智能交通领域相关问题提供了一种新的解决方案。本文从深度学习相关技术入手,展开了智能交通系统中的图像的重建与车型识别的相关研究。本文首先深入研究了卷积神经网络、深度残差网络和几种典型的卷积神经网络模型,分析了已有算法在重建效果、速度和识别率上的不足,在此基础上进行改进,提出了基于拉普拉斯结构的图像超分辨率重建与基于改进的宽残差网络的车型识别方法。基于拉普拉斯结构的重建模型(LapSRN)通过级联结构,逐步优化的方式进行重建。但其在每一层都是使用相同卷积函数,在上采样过程难免会丢失部分信息。针对该问题 本文引入多通道映射提取更加丰富的特征,并用卷积级联,共享权重的方式对图像进行超分辨率重建。同时,为了优化整个网络,本文选择MSRA初始化方法对网络权值进行初始化,以便加快模型收敛。并采用新的训练策略与激活函数PReLU,大大缩短训练时间,增强系统稳定性。实验证明改进的模型可以更好的重建出图像的纹理和细节。为了满足实际场景下对车型识别的需求,本文提出了一种改进的宽残差结构网络模型。此网络对其结构进行加宽改进,并使用较少参数提取特征以加快整体网络的收敛速度。再结合基于A-Soft max函数的度量学习方法来实现增大类间距离和减小类内距离的学习目标。实验表明,该方法可以识别交叉路口、林荫道、公园道路等复杂交通场景下的车辆类型识别,并获得良好的识别率。