随着城镇化进程的推进,我国城市的人口密度不断增加。生活水平的不断提高让人们的出行更加便捷,我国的汽车保有量与日俱增。车辆和人口数量的同步增长,给交通系统带来巨大的压力。随着科学技术的发展,智能交通技术应运而生。车辆,作为交通系统中的大规模群体,一直作为研究人员的关注热点。无论是自动驾驶系统还是交通管理系统都需要高效准确全天候的车辆识别系统。本文针对车辆识别系统抗干扰能力差,传统卷积神经网络（Convolutional Neural Network,CNN）参数量大、速率慢等问题提出了应对不同环境的车辆识别方法。研究主要针对视觉效果差的夜间环境、资源受限的硬件环境和对实时性要求高的应用场景。主要工作如下:针对夜间车辆识别困难,基于驾驶员辅助系统的应用场景,利用红外热成像技术,设计了综合识别准确率、参数数量、时间成本三方面优势性能的轻量级卷积神经网络（Lightweight Convolutional Neural Network,LCNN）。应用红外热成像仪采集和组建了夜间红外车辆数据集,车辆分类包括大客车、货车、面包车和轿车。搭建了常规CNN网络Net1作为参考网络,利用Squeeze Net中的Fire模块和GAP结构,采用3种不同的替换方式搭建了9个LCNN结构,探索了Fire模块和全局平均池化（Global Average Pooling,GAP）结构的使用特性,对比了10个网络的参数量情况和识别分类情况。其中Net9以Net1的参数数量的10.6%实现了97%的分类精度,单张图像识别时间仅为0.52 ms。Net9可以有效地节省内存和计算成本,更适合于嵌入式设备和移动终端系统。结合热红外和可见光双模态的互补特性,搭建双模态输入的特征融合网络实现了对于可见条件下车辆的高精度识别。利用热红外与可见光两类传感器同步采集了可见条件下的红外数据集和可见光数据集,数据集均包含大客车、货车、面包车和轿车在内的4类车辆。搭建了单模态识别网络以及两种结构的双模态特征融合网络,对比4个网络的车辆识别效果。在决策层特征图数量一致的情况下,融合方法对于实现有效的识别具有优势。两种结构的双模态特征识别方法较单模态红外图像识别准确率分别提高了7%和5.7%,较单模态可见光图像识别准确率分别提高了2.6%和1.3%。利用可见光图像丰富的信息资源,采用共享型轻量级卷积神经网络实现了车辆外观多属性识别。将车辆图像通过一个网络、一套参数来完成车辆颜色和类型的高准确率的识别,其中车辆外观多属性识别网络的基础网络采用了LCNN中的Squeeze Net。利用共享型轻量级卷积神经网络在开放数据集VRID上进行实验,车辆颜色和车型识别的准确率分别达到98.5%和99.1%,在一台无GPU的个人计算机上单张图片的识别时间仅需要4.42 ms,使得车辆识别模型更便于部署在存储空间和计算力有限嵌入式系统中。