如今智能交通系统发挥越来越重要的作用,通过监控系统对信息的准确采集和处理,是智能交通系统有效运行的基础。车型识别和人脸识别是智能交通系统中常用的信息处理技术,在实际应用中发挥着重要作用。随着深度学习技术的日益进步和发展,众多技术难题得到解决,并且越来越多的传统技术被深度学习所代替。应用卷积神经网络进行车型识别和人脸识别,针对实际中的问题进行改进,提高智能交通系统信息采集和处理的准确率,具有重要的研究价值和应用前景。围绕深度学习中的卷积神经网络进行研究和分析,通过改进网络结构,将其应用到车型识别和人脸识别中。完成的主要工作如下:(1)多比例车辆目标的分类识别研究。建立了较为完备的数据集,包含了6个不同目标比例的车辆图像;构建多个卷积神经网络结构,使用不同目标比例的图像测试,探究不同目标比例对卷积神经网络识别率的影响规律,并比较分析出性能稳定、识别率高的网络结构;使用多种目标比例混合的图像样本测试网络的分类能力。实验结果表明,该网络结构在多比例的车辆目标分类识别中,能够有效减小目标比例的影响,识别率始终处于96.33%以上,且最大波动不超过1%。(2)多尺度人脸的识别研究。针对卷积神经网络输入尺寸固定的问题,结合词袋模型,提出一种多尺度人脸识别的网络结构。把两个常用的人脸数据集ORL和Yale B分别缩放到5种尺寸作为实验样本。通过多次测试,得到最佳聚类中心数量,然后测试网络对于不同尺寸的识别能力。最后与GAP方法、GMP方法和SPP方法进行对比。从实验结果可知,该方法在多尺度人脸识别中,具有更高的识别率,在Yale B的实验中,对192×192尺寸的图像识别率为97.50%。(3)驾驶员人脸识别的研究。针对驾驶员人脸识别中训练样本少的问题,引入了Siamese网络,解决单样本训练问题,应用于驾驶员人脸识别中。采集了驾驶员的人脸图像和生活中人脸图像,构建了Siamese网络结构,通过多次迭代训练和测试,验证了该网络在驾驶员人脸识别中的有效性,且取得了较好的效果,对60类人脸的单测试样本,识别准确率可以达到98.83%。