目标属性识别是计算机视觉的关键问题之一,其技术可应用在智慧城市交通领域。车辆数量的爆炸式增长给城市交通带来巨大压力,而智慧城市交通系统可有效缓解交通压力。精确的目标属性识别可提高智慧城市交通系统的车辆控制、交通监控以及车辆管理等性能。随着大数据与人工智能技术的高速发展,深度学习已广泛应用于目标属性识别任务。不同于传统的模式识别方法,基于深度学习的卷积神经网络可自动提取图像特征,显著提升了目标属性识别的准确率。因此,采用卷积神经网络进行目标属性识别具有重要的应用价值。本文将目标属性识别分为目标定位和目标分类两个耦合的子问题。针对正常目标,基于在线难负样本挖掘策略建立目标检测算法与卷积神经网络相结合的级联模型。针对小尺寸目标,采用网络结构压缩和多层级特征图融合方法对级联模型的网络结构进行改进。针对难检测目标,引入图像增强算法对级联模型进行改进。主要从下列四个方面进行研究:(1)针对目标属性识别问题,基于目标检测算法,建立Faster R-CNN与CNN相结合的目标定位与识别级联模型(CS-CNN),以此降低背景信息对识别模型的干扰。实验结果表明,与CNN、Fast R-CNN以及Faster R-CNN相比,CS-CNN模型准确率分别提高了 22.91%、22.01%和6.33%。(2)针对正常目标属性识别问题,基于两阶段改进策略建立目标定位识别级联模型。在CS-CNN定位部分,为弥补Faster R-CNN存在正负样本不均衡的缺陷,设计基于在线难负样本挖掘策略改进的Faster R-CNN进行目标定位。在CS-CNN分类部分,引入PReLU和Focal Loss对激活函数和损失函数进行改进,提高属性识别的准确率。实验结果表明,与原始的CS-CNN、只对激活函数改进的CS-CNN以及只对损失函数改进的CS-CNN相比,同时对激活函数和损失函数改进的CS-CNN模型准确率分别提高了 6.82%、4.59%和2.07%。(3)针对小尺寸目标属性识别问题,采用网络结构压缩和多层级特征图融合方法对CS-CNN的网络结构进行改进,提高CS-CNN对小尺寸目标识别的准确率。实验结果表明,与CNN、Fast R-CNN、Faster R-CNN以及原始的CS-CNN相比,采用网络结构改进的CS-CNN模型准确率分别提高了 32.25%、23.44%、19.29%以及 17.21%。(4)针对难检测目标属性识别问题,分析模糊图像中难检测目标的特征,引入全局直方图均衡和暗通道去雾算法对模糊图像进行增强处理,将增强后的图像送入改进后的级联模型CS-CNN进行属性识别。实验结果表明,与原始的CS-CNN、只采用全局直方图均衡算法改进的CS-CNN以及只采用暗通道去雾算法改进的CS-CNN相比,同时采用两种图像增强算法改进的CS-CNN模型准确率分别提高了 28.71%、6.15%和 4.35%。