近年来,伴随着城市交通的迅速发展,智能交通系统也得到了前所未有的关注。其中完成车辆的实时检测和类别识别在智能交通系统中显得尤为重要,也是当前智能交通领域的关键问题之一。与此同时,车辆检测技术的研究也对于提高交通管制和缓解交通压力有着重要的意义,而此类问题往往隐含着高鲁棒性、高尺度不敏感性、实时性和高精度等需求。传统的车辆检测算法在解决高精度和实时性等方面遇到了困难,而近年来诞生的基于深度学习的检测算法则存在些许尺度敏感性问题,尤其是针对小物体检测效果欠佳。本文针对以上问题进行研究分析,并提出了两种新的车辆检测方案。(1)设计了一种基于MOG2与H-Squeeze Net的车辆检测方案,首先采用传统的背景建模法MOG2完成区域提议任务,找到待检测车辆的位置,随后本文在深度学习网络模型Squeeze Net的基础上设计了一种轻量级网络H-Squeeze Net来识别待检测区域的车辆类别。在完成车辆检测任务的同时,速度高达39.1FPS,满足了实时性需求。为了验证所搭建方案的有效性,本文将该方案在CDnet2014等数据集上进行了测试,并将其在所收集的苏州虎丘交通路口数据上进行了实际应用验证。本方案针对深度学习算法中存在的尺度敏感性问题,将MOG2算法引进到区域提议领域,利用其产生鲁棒的尺度不敏感性的区域提议,同时该方案在后端采用H-Squeeze Net快速识别车辆类别,以获得高精度和高性能,此方案在保留二者优势的同时,尽可能巧妙地避免了彼此的缺点。(2)设计了一种基于Squeeze Net的YoLoV3检测方案YoLoV3＿Squeeze Net。本方案以基于深度学习的单阶段检测算法YoLoV3为框架,对其特征提取网络进行了改进,移除了其底层的Dark Net53网络模型,尝试以轻量级网络Squeeze Net作为其基准网络模型。在迁移过程中,由于Squeeze Net难以抽取合适的特征图供YoLoV3进行训练及使用,本文引入了深度可分离卷积等模块对提取的特征图进行改进,将Squeeze Net成功迁移到YoLoV3当中。此时引入轻量级网络会以少量精度为代价,但是极大程度上降低了模型参数量和权重模型大小,迁移后的权重模型大小仅为原模型的36.01%,且可加速25.01%的模型推理时间和15.3%的训练时间。与此同时,本文还引入了UA-DETRAC交通数据集对YoLoV3＿Squeeze Net进行测试,测试结果显示该方案在不同天气和道路情况下均能取得较好的车辆检测效果。总体来说,本文以道路交通视频作为研究基础,以车辆检测为研究目标,以实时性和高性能为研究目的。通过搭建实时的多类别车辆检测方案,并且在交通数据集上进行训练与测试,实现了实时多类别车辆检测任务。