由于道路上车辆的激增,交通违章、交通拥挤、交通事故、停车难等一系列问题日益突出,因此加快智能交通系统的建设迫在眉睫。车牌与车型识别作为车辆信息识别重要组成部分,在智能交通系统中发挥着关键作用。车牌与车型信息能有效辅助车辆检索及对比,有助于判别交通违章行为,合理地对车辆分流。为进一步实现精准、高效的车牌和车型识别,本文采用深度学习方法分别搭建了车牌与车型识别卷积神经网络,并在相应数据集上进行仿真实验。本文主要对以下两方面进行研究:车牌识别方面:本文首先设计了改进的PSPNet网络定位车牌区域,在原PSPNet网络基础上引入UNet网络的跳跃连接结构,使PSPNet网络结合了主干特征提取网络中高层次的语义信息和低层次的位置信息,得到更为精确的车牌区域与非车牌区域的区分结果。应用迁移学习的方法将ResNet50在ImageNet数据集上已训练好的参数迁移到改进的PSPNet模型上,并在标注后的CCPD数据集上实验。实验结果表明,其MIoU达97.07%,F1分数达98.6%。其次,采用权值法确定车牌的四个顶点坐标,并用Opencv的透视变换方法对车牌实现分割与矫正。最后,得到车牌图片后采用垂直投影法分割字符,并设计了改进的LeNet-5网络对分割后的字符进行识别。具体的,在原LeNet-5网络基础上增加网络深度,增强网络的特征提取能力,并更改了卷积层中卷积核数量以及全连接层中神经元数量以更匹配车牌识别任务;采用Dropout方法优化网络,降低网络过拟合的风险。根据在分割后的车牌字符数据集上采用改进的LeNet-5网络仿真结果,其单个字符识别准确率可达99.24%。车型识别方面:本文设计了改进的YOLOv4目标检测算法识别车型。首先采用轻量级卷积神经网络MobileNetV3作为原YOLOv4的Backbone来削减模型的参数量;其次将原YOLOv4的Neck和Head模块中的3*3标准卷积全部替换为深度可分离卷积,进一步削减模型的参数量;然后为提升模型的识别精度,采用K-means算法重设模型的先验框;最后应用迁移学习方法将MobileNetV3在ImageNet数据集上已训练好的参数迁移到改进的YOLOv4模型上。在BIT-Vehicle数据集上仿真实验结果证明,改进的车型识别模型mAP为96.17%,参数量约为53.77MB,检测速度较原YOLOv4提升了 26%。