汽车保有量在近几年来迅速增长,给城市智能化发展带来巨大压力,包括交通道路堵塞、事故频发、空气污染加重等问题,传统的交通管理方式无法应对这些难题,智能交通系统成为利用交通监控视频解决车辆速度控制、交通控制、交通违法检测、道路收费和其他相关问题的重要技术手段。车辆目标及其属性检测是智能交通系统发展重要的一环,检测是将目标定位任务和属性分类任务综合在一起,但是基于传统方法的目标检测技术检测精度低、速度慢,因此基于深度学习的检测技术迅速发展起来,在车辆检测领域取得了不错的成果。但是目前车辆检测的公开数据集包含大量背景简单、单张图像待检测目标数量少的样本,这无法满足现实交通监控检测的需求;检测精度高的模型检测速度较慢,这无法达到实时检测要求。此外针对车辆标志属性检测的可研究样本只有车标局部位置图像,其研究内容无法应用在视频监控检测任务中。为解决以上问题,本文从重构数据集、提升检测精度和速度三个角度进行研究,主要内容如下:（1）数据集的构建。选取本地高速公路交通卡口监控视频进行样本提取,样本是从白天、黑夜、晴天、雨天等不同光照条件、不同天气拍摄的监控视频中按帧截取,筛选出具备学习价值的图像进行标注,在此过程要避免因为标注工作造成正负样本失衡。然后从车辆图像中选取出汽车前脸以及尾部范围清晰的样本进行下一步车标识别工作。（2）多类别车辆检测算法研究。采用CenterNet算法针对常见的8种类型车辆进行检测,为满足实时性检测要求,采用深度可分离卷积替换原模型中标准卷积,在对检测精度影响较小的前提下减少模型参数量从而加快检测速度;然后在模型主干提取网络残差模块内引入注意力机制策略,增强模型对检测图像有效特征的提取;采用GHM对原尺寸回归损失函数进行优化以提高检测目标回归尺寸信息的准确性。在自制多类别车辆数据集上进行训练学习,实验结果表明,mAP和FPS分别达到了 95.23%、50帧每秒,在检测准确度有所提升的前提下满足视频实时检测的要求。（3）车标识别算法研究。采用SSD算法进行车标识别工作,从网络结构、特征融合、数据规范化处理三个角度针对SSD进行优化以提升其对小目标检测的效果。通过引入残差模块替换原有的主干网络、优化特征融合策略并且选择群组归一化处理数据优化算法,并在自制车标数据集上进行实验验证,mAP达到了 94.12%,相比原始模型提升2.08%。