智能交通领域的发展一直是人们关注的热点,车型识别作为智能交通系统的基础任务,主要分为粗粒度和细粒度识别两种,针对粗粒度的车型识别任务目前已经取得了较为成熟的发展,而细粒度的车型识别因其类间相似度大、类内差异性大的特点使得该任务更具挑战性,成为目前的研究热点。因此本文对细粒度车型识别算法进行研究,期望通过本文算法进一步提升细粒度车型识别模型的分类性能。细粒度的车型识别任务主要有两个难点,一是背景信息相对是一种噪声干扰,因此需要对目标物车辆进行定位,而利用只有图像级别标签的弱监督定位容易出现定位不准确;二是为了深入挖掘车辆的细粒度特征信息,需要提取可辨别性局部块特征。针对上述问题,本文提出多尺度增强特征融合网络模块,在特征提取过程中加入跨通道-空间维度交互的注意力模型,对通道和空间的特征进行充分交互并强化其细粒度特征,提高了目标物定位的准确性以及所提取局部块的有效性。另外,本文在交叉熵损失函数中加入中心损失来缓解细粒度车型的类间相似度大、类内差异性大的问题。最后对多分支的特征进行融合进一步丰富车辆的细粒度特征,从而提升了细粒度车型识别模型的性能。为了进一步提升模型对细粒度车型识别的性能以及模型的泛化性能,本文借鉴集成学习的思想,对不同Batch大小的训练模型进行多模型融合,其中由于不同的Batch大小对不同的车型类别具有偏向作用,因此本文针对不同的类别训练不同的Batch模型,最终将不同Batch下不同类别的模型进行多模型融合进一步提高了模型的识别性能。另外,现实场景多为多目标细粒度车型识别任务,因此,本文提出了多目标场景下的细粒度车型识别网络模型,有效解决了细粒度车型识别算法在实际场景中的使用问题。最终本文在Stanford cars数据集和自建数据集Xut cars上进行消融实验和对比实验,通过实验验证了本文算法的有效性和实用性。