随着社会的进步与经济的发展，人们经济水平与物质生活水平的提高，越来越多的人加入了有车族的行列。但汽车在给我们的生活出行带来便捷的同时，也给交通管理与执法系统带来了越来越大的压力。目前，交通执法部门主要通过汽车车牌以及电子眼布控对交通实施监管。但是因为越来越多套牌车辆的存在，仅仅依靠车牌作为车辆唯一的识别标志已经不合时宜。而车辆中车标的信息往往是很明显而且难以更换的，所以使用车牌、车标联合识别系统比单一的车牌识别系统更符合现在的交通情况。　　传统的车标识别方法都是针对收费站等卡口位置，因为车标位置相对固定，识别比较容易。而对于自然场景中的车标识别，则需要对车标进行十分精确的定位，并且其维护管理成本或者运算时间成本较大，无法达到实时处理的要求，故而不能在实际中得到应用。现有的车标识别算法无法满足在自然场景中车标的快速识别，因此本课题将针对自然场景中的车标快速识别方法进行研究。　　本课题基于深度学习，将主成分分析与卷积神经网络相结合，提出了一种卷积神经网络的预训练策略，大幅减少网络训练时间，使得网络更新与运算处理时间均能够达到实时处理的要求。本文的主要工作如下:　　1、利用车标车牌相对位置信息完成车标的快速定位与粗分割，利用多尺度框架解决了因为拍摄距离远近不同而导致难以定位的问题。　　2、提出利用主成分分析预训练卷积神经网络卷积核的方法直接完成卷积核的预训练，无需利用反向传导算法对卷积核进行调整优化，降低了整体的算法时间复杂度。利用随手拍车标数据库进行了分类识别实验，识别准确率达到99.07％，并且在实验中证明该算法的训练速度比卷积神经网络速度提高60倍。　　3、完成利用预训练卷积神经网络在不同环境不同情况下的鲁棒性实验设计与验证，实验表明，在旋转、加噪，光强变换以及多种混合畸变情况下，该系统均能够在比较高的识别准确率下工作，说明系统鲁棒性十分良好。　　本文所提出车标定位与识别的算法不论在运算速度还是在识别准确率上都比原有的卷积神经网络算法有所提升，已经达到实时应用的标准，并且在各种不同环境中均具有十分良好的鲁棒性，有着比较广阔的应用前景。