随着社会经济的高速发展,我国汽车保有量不断增长,所面临的涉车违法犯罪事件逐年上升,而现有的交通管制技术落后且智能化程度低。虽然电子警察系统在一定程度上可以遏制各种涉车违法犯罪事件,但大部分系统都存在车辆信息提供不足、仅依赖车牌识别检索车辆信息准确度较低、人工介入程度较大等问题。车型检测方法能够提供车型信息来与车辆信息数据库进行匹配,通过引入车型的特征信息来确认车辆“身份”,提高车辆信息检索的准确度。为了实现更好的车型检测,本文通过改进YOLOv2目标检测模型,提出了两种基于卷积神经网络的车型检测模型,设计并实现了一种基于改进模型的车型检测微服务。本文的主要工作包括:(1)阐述了车型检测研究的意义,结合卷积神经网络和目标检测模型,分析了当前车型检测算法的优缺点;(2)阐述了本文所研究的车型检测模型中用于定位的anchor boxes、激活函数和损失函数的设计思路,结合特征融合策略设计了Model-A模型结构,然后通过去除高层重复卷积操作的策略设计了Model-B模型结构;(3)在BIT-Vehicle数据集上进行测试的结果表明,Model-A车型检测精度达到94.16%,Model-B车型检测精度达到94.78%,验证了两种改进模型均适用于道路监控下的车型检测任务且二者检测效果近似;为进一步对比两种改进模型的泛化能力,将二者在CompCars数据集上进行了迁移测试。在CompCars数据集上进行迁移测试的结果表明,Model-B检测效果相对更佳,表明其更适用于车型检测任务的迁移学习研究,验证了本文采用去除高层重复卷积操作策略的有效性。为深入分析改进模型,本文以Model-B模型为例,对其网络信息进行了可视化分析,更为直观地展现了其较好的车型特征提取能力;(4)综合实验结果,本文选取Model-B为理论基础,将其设计为一种简易且扩展性强的车型检测微服务并予以实现,对主要功能界面进行了展示。本文工作提供了一种高效的车型检测方法,结合微服务架构实现了车型检测微服务,能够面向更多的服务对象,收集更为丰富的车型数据,为将来模型的强化学习奠定基础。