当前,汽车数量的剧增带来了巨大的交通管理压力,不仅影响了道路通行效率,一些重载车辆的超载行为更是严重危害了桥梁结构的安全。为了实现对车辆信息的智能化感知,降低人力成本,缓解交通压力,本文建立了基于监控视频的车辆信息智能识别系统。系统可以对车速、车型进行智能化识别,在不需要人工干预的情况下获得车辆的实时信息,对于荷载研究、流量统计、道路状况分析、违规车辆识别等具有重要的意义。本文主要基于卷积神经网络建立了两套识别模型:（1）二阶段识别模型,系统首先采用运动目标检测技术对视频中的车辆进行提取,然后通过虚拟线圈和改进的残差网络进行车速和车型的智能识别。在车速识别部分,由于只需要对线圈内部图像进行处理,极大的减少了计算参数,满足实时性的要求;在车型识别部分,对残差网络进行优化和改进,并添加了类别中心正则化约束,显著的提升了网络的特征表达能力。（2）一阶段识别模型,将光流网络和残差网络结合起来,通过输入图像的前后帧序列和光流场对车辆特征和运动目标光流进行自适应学习,实现了同时识别视频车辆静、动信息的功能。为了增强网络的时序理解能力,从光流网络向空间网络引入残差单元连接,有效的提高了模型在复杂条件下的鲁棒性。此外,在结构单元内部嵌入了注意力机制对时间、空间特征进行重标定,增强了网络的特征提取能力,提高了网络的识别精度。最后,在BrnoCompSpeed数据集进行两模型的对比实验,并与其他基于视觉的传统方法进行比较。结果显示,二阶段识别模型的处理速度达到8帧/秒,一阶段识别模型的处理速度达到10帧/秒。在车速识别中,二阶段识别模型的车速平均绝对误差为1.9823km/h,一阶段识别模型的车速平均绝对误差为1.1432km/h,在车型识别中,二阶段识别模型的平均精度均值为0.88,一阶段识别模型的平均精度均值达到0.92。实验证明,两个模型的识别速度和识别准确率均优于传统方法,其中,一阶段识别模型具有更高的识别准确率,更能满足真实情况下车辆信息智能识别的需要。