随着中国经济的快速腾飞，私家车的数量逐年增加，这使得交通监管的压力与日俱增，城市交通问题成了我们必须要解决的问题。近年来，人工智能的迅猛发展，为城市交通问题带来了更高效的解决办法。
　　车辆检测技术是智能交通建设中的关键技术，可为交通管理者节约更多的时间和精力。它不仅要求可以满足实时检测，更加要求准确的识别出车辆信息。随着深度学习的不断发展，使用深度学习进行车辆检测与识别的研究成为新的发展趋势。因此，本文利用深度学习领域内的目标检测算法进行车辆检测与识别，本文的创新内容工作如下:
　　(1)针对SSD网络模型中因浅层特征层的特征提取能力有限，造成小尺度车辆的漏检情况，设计了特征增强模块，提高网络的特征提取能力。在Conv4_3和FC7特征层添加了特征增强模块，使用1×1和3×3卷积提取到更多的特征，同时使用空洞卷积扩大特征层的感受野，让网络学习到多尺度的特征，改善SSD算法在小尺度车辆检测与识别中出现的漏检情况。
　　(2)针对SSD网络模型中浅层特征层的特征表达能力不强，对小尺度车辆不敏感，造成检测精度不佳的问题。设计了特征融合模块，提高网络浅层特征层的特征表达能力。特征融合模块是将Conv4_3和FC7、FC7和Conv8_2、Conv8_2和Conv9_2特征层进行融合，融合方式为时间复杂度较低的双线性插值法。增强浅层特征层对小尺度车辆的特征表达能力，提高车辆检测与识别的检测精度。
　　(3)针对SSD先验框的比例设置不适合车辆检测与识别任务，采用K-means聚类算法对KITTI数据集的真实框标注信息进行聚类分析，得出最适合车辆检测与识别任务的先验框比值，提高算法在车辆检测与识别中对目标标注的准确性。