世界的发展和生活质量的不断提高使得每个城市的汽车数量都呈指数增长。为了保证停车场和道路上的汽车的安全,安保人员是有限的。为了帮助安全和协助,正在使用几种对象检测和识别系统。这些系统可以适应不同的情况,但都有一些限制。这些限制主要是由于环境和系统检测明显不同的对象的困难。卷积神经网络(CNN)是其中一种不同的方法。基于人类和动物的大脑功能,CNN通过训练过程学习不同的特征并更新其参数。CNN可以独立于姿态,尺度,光照,构造和杂波来进行分类。这些能力使CNN能够高精度地分类复杂的图像。基本上用于聚类的模糊C均值模糊,在应用于图像分割时具有准确的结果。在这篇论文中,这个想法是能够仅仅指定对汽车的检测。这将通过卷积神经网络CNN的培训来完成,关于适当选择网络结构和批量大小。然后通过网络对不同的图像进行分类。网络的培训和测试是由一组预处理和适应CNN的图像完成的。模糊C均值聚类方法具有将像素置于聚类中的能力,用于对分类图像进行分割并指出目标。