随着国家交通网络的日趋完善,交通工程的信息化和智能化已经成为当今发展的主流,而车辆的分类以及车辆的行为识别作为其中的关键技术,在工业领域和学术领域同样受到了广泛关注。在车辆分类的过程中,车辆之间的相互遮挡和天气条件等因素影响着其结果的准确性和稳定性;在对车辆进行行为分析时,其结果的鲁棒性和准确性往往取决于视频源拍摄的角度与质量,这些都对车辆的分类及其行为识别技术提出了更高的要求。因此本文分别对车辆的分类算法和车辆的行为识别算法进行了研究,主要贡献如下:针对视频序列中车辆的分类问题,本文提出一种基于改进YOLOv3网络的车辆分类方法。在YOLOv3目标检测网络的基础上,借鉴密集连接卷积网络的设计思想,将原网络中的残差层替换为密集卷积模块,并对网络的设计结构以及网络的特征最小分辨尺度进行调整与改进,参照金字塔网络模型对车辆特征进行多尺度的预测。利用Softmax函数作为分类器,将卷积层与对应尺度密集卷积模块融合的车辆特征进行分类,基于锚点框机制标注车辆的边界框。根据单帧图像的分类结果,设计目标匹配跟踪函数对视频序列中的车辆进行持续稳定的检测。针对视频序列中车辆的行为分析问题,提出一种基于车道特征融合的车辆行为识别方法。以车道线相关数据信息为参考,在图像预处理的基础上,利用改进的Robinson算子建立插值公式获取最佳梯度幅值完成对车道线边缘的提取,再运用LSD算法实现对车道线的相关检测。根据车道线检测的结果,通过滑动窗口实现对车道线特征点的提取,利用三次样条插值数学模型完成对车道线特征点的拟合。依据车道线的曲率半径和车道线的方向两个参数信息对车辆的运动状态进行分析,结合车辆中心与车道线中心的相对位置对车辆的偏离状态进行识别。在BDD100K公开数据集的测试中,车辆分类算法的平均准确率为93.18%,车辆行为识别的准确率达93.04%。实验结果表明,本文的车辆分类方法对视野范围内的车辆种类能够进行有效的区分且具有较高的准确性,车辆的行为识别方法对车辆的运动状态和偏离状态能够准确的进行识别且具有较高的鲁棒性,两种方法均具有较高的实际应用价值。