基于视频的车辆黑烟检测技术对环保工作具有十分重要的意义,在城市环保、智能交通等方面具有广阔的应用前景。现阶段将深度学习技术应用于车辆黑烟检测的研究,大多通过二维卷积神经网络实现对车辆黑烟图像的特征提取,仅依靠黑烟的空间特征使得模型检测能力有限,黑烟检测率低。考虑到实际应用中道路监控视频常常作为黑烟检测的信息流,本文提出了一种新的基于三维卷积神经网络和非局部注意力机制的黑烟车检测网络以充分利用车辆黑烟的运动信息,实现高精度和实时性检测。本文的主要工作如下:首先,本文以道路监控视频为数据集,采用车辆检测算法提取出候选黑烟区域,构建黑烟车视频和非黑烟视频训练集。具体地,使用Mobilenet V2和YOLOV4分别学习车辆特征和实现车辆检测,并对检测到的车辆标注有烟和无烟的标签,制作出测试视频的真值文件。其次,为了解决单一的空间信息难以表征黑烟的问题,本文提出了一种基于三维卷积网络和非局部注意力机制的黑烟检测模型（Ringelman-3D CNN）。该网络利用三维卷积核同时学习黑烟视频的空间特征和时序信息,使用连续多帧候选黑烟区域来联合判断黑烟的存在,有效利用了黑烟的运动特性。非局部注意力机制用于关注黑烟特征的上下文信息,提高网络性能,从而实现视频中黑烟的高精度检测。最后,为了满足模型部署在嵌入式平台的实时性要求,本文提出了一种轻量级的黑烟检测模型（Light＿Ringelman-3D CNN）。该网络采用Inception＿V1结构以增加网络的宽度,利用多尺度的信息,减少全连接层的层数,大幅降低网络参数量,从而实现视频中黑烟的实时检测。综上,本文针对当前基于视频的车辆黑烟检测任务中所存在的黑烟检测率低以及实时性差的问题进行了深入的分析,并对其提出了相应的解决方案。结合深度学习的相关知识,提出了基于三维卷积和非局部注意力机制的黑烟检测模型及其轻量级版本,并在监控视频上验证了其有效性。