随着大数据技术和城市信息化的发展,智能交通系统成为智慧城市的一个重要内容,智能交通系统可以提高道路通行效率和减少交通事故的发生,车型分类是智能交通系统的重要组成部分,为智能交通系统提供数据支持,可以提高人们的出行效率,为打击肇事逃逸等违法行为方面提供了技术支持。胶囊网络在图像处理方面表现出优异的性能,这给车型分类带来了更多新的解决方法。本文对胶囊网络进行了总结和分析,利用其可以高效提取图像特征的优点,提出了预卷积胶囊网络和融合梯度卷积特征的胶囊网络,完成交通监控场景下车型分类的工作:1.针对现有道路交通中车型分类的精度不高的问题,利用胶囊网络可以提取出更多的特征的优势,提出了预卷积胶囊网络模型。模型在胶囊网络的基础上,新增多层卷积进行浅层特征提取,通过Leaky Re LU函数进行非线性激活,使用Adam优化器进行优化并对胶囊网络部分做适应性改进。在BIT-Vehicle公共数据集上进行实验,预卷积胶囊网络识别的综合评价指标达到了97.91%,准确度达到了98.33%,优于传统卷积神经网络和原生胶囊网络等其他网络结构的分类效果。结果表明该模型在道路监控场景下的车型分类具有更高的准确度和更好的鲁棒性。2.针对现有车型分类方法无法充分利用图像信息造成识别精度不高的问题,提出融合梯度卷积特征的胶囊网络模型(HOG-C Caps Net)。该模型在胶囊网络的基础上,增加了融合梯度卷积特征(HOG-C)提取方法。使用梯度统计特征提取层对图像中的梯度信息进行统计,构建方向梯度直方图(HOG)特征图;使用卷积层提取出图像的颜色信息,与HOG特征图融合构成HOG-C特征图;输入卷积层提取HOG-C特征图的抽象特征,并通过胶囊网络对其进行具有三维空间特征表达的胶囊封装,使用动态路由算法实现车型分类。在BIT-Vehicle数据集上进行实验,该模型的综合评价指标达到了98.20%,准确率达到了98.17%,优于传统卷积神经网络和原生胶囊网络等其他网络结构的分类效果。结果表明,该模型在交通监控下的车型分类上具有更好的效果。针对交通监控背景下车型分类精度不高的问题,提出了预卷积胶囊网络和融合梯度卷积特征的胶囊网络模型,在公共数据集中进行实验,得到了更高的准确度,表明模型可以提高交通监控下的车型分类的精度。