卷积神经网络（Convolution Neural Network,CNN）在交通图像识别中的应用是智能交通系统的热点研究内容,交通标志和车型分类是交通图像识别的两个核心板块,在实际应用中面临许多困难。人工设计特征提取器的方法速度慢、精度低,而卷积神经网络提取特征更为简单,且具有较高的分类精度。因此,本文基于卷积神经网络对交通图像中的交通标志和车型图像分类展开研究:（1）总结了交通标志和车型识别的难点和主要应用场景,同时关注该技术的国内外最新研究进展;对卷积神经网络的发展、理论基础、工作原理、优化算法以及代表性的改进算法进行综述。（2）交通标志识别。交通标志识别除了会受到自然场景复杂性干扰外,图像尺寸大小的变化,也会导致网络性能降低。为改善图像尺寸对网络性能的影响,首先,对交通标志数据使用直方图均衡化方法进行特征增强,再将增强后的图像使用双线性插值法归一化为大中小三种尺寸;然后,构建适应图像尺寸的网络结构和卷积核尺寸进行特征提取,在总体识别网络的全连接层将多尺度特征进行融合,并微调全连接层;最后,利用极限学习机对交通标志图像进行分类。（3）车型识别。由于车脸上下两部分信息分布不均,受注意力机制的启发,将车脸分为上下两个区域,设计上下两个不同的网络进行识别。首先,对车型识别数据集使用分割函数将车脸图像分为上下两部分;然后,设计两个骨干网络分别提取车脸特征,由于车脸下部信息较为丰富,选择双线性卷积神经网络模型提取车脸下部特征,并将浅层和高层特征进行融合,得到具有更加丰富信息的特征向量;最后,在融合网络的全连接层前,使用两个1×1的卷积核,进行特征叠加与降维,增强网络的实用性。本文针对交通标志尺寸大小不同和车脸上下两部分信息分布不均的问题,对卷积神经网络进行了改进,改进方法分别在GTSRB数据集和Compcars数据集上进行了验证,均取得了较好的分类精度,证明本文改进算法具有一定先进性。