在计算机视觉领域中,对象检测与识别是最基础也是最困难的任务之一。本文主要研究围绕在没有目标驱动的情况下的显著性对象检测,与有目标的驱动下,交通场景中的车辆属性检测、车辆识别与检索以及车辆标识识别展开。本文的主要工作和成果如下:1)针对显著性对象检测,现有大多数显著性检测算法都致力于在单显著对象且背景较为单一图像上取得好结果,而在更为复杂的图像上进行测试时,泛化能力较差。在本文中,我们提出了一种新的框架,通过将对象性估计融入到显著性对象检测的过程中来进行对象级显著性检测。与大多数现有的通过聚集邻近像素或区域来评估显著性的方法不同,我们的方法通过评估每个区域的显著性、对象性和背景性来逐步剥离背景区域,直至剩下所有独立的前景物体。所提出的方法不需要从获得的显著图中进一步提取对象,而是可直接获得显著的对象,并且不同的显著对象可以分配不同的显著分数。实验结果表明,我们所提出的方法是有效的,并且在几个基准数据集上取得了较好的效果,特别是在更复杂场景的PASCAL_S和SED2数据集上明显提升了显著性对象检测的性能。2)针对车辆属性检测与车辆识别问题,我们首先收集一个车辆数据集VAC21,其中包含五种车辆类型的7129张图像。基于这个数据集,我们仔细地用包围盒来分层次地标记了21类结构属性。据我们所知,这是第一个标记了如此多种类的细节属性的数据集。基于此数据集,我们首先采用目前效果最好的一阶段检测方法SSD作为属性检测的基准模型。随后我们还进行了一些改进以提高准确性,即从低特征层添加推荐对象有助于提高小物体的检测精度;导入焦点损失来改善平均检测准确率。这些属性检测可以广泛应用于关于车辆的视觉任务中。基于深度卷积神经网络(DCNN),我们提出了一种新颖的利用属性检测结果,即感兴趣区域(ROIs)作为独特结构化标识来进行车辆识别和检索的方法,并基于现有的数据集VehicleID进行了一系列的车辆识别和检索实验。实验结果表明,我们的方法比现有最好的方法性能有所提升。3)针对车辆标识识别问题,首先我们建立一个名为“VehicleLogo197”的车辆标识数据集,其中包含50318张标识图像和197种不同型号的汽车。据我们所知,所提出的数据集目前规模最大,并且包含最多的标识种类。基于所提出的数据集,我们训练一个紧凑的残差卷积神经网络来进行标识分类。为了验证网络的有效性和提出的数据集的有用性,我们将模型与当前效果最好的标识识别网络以及四个标准网络进行比较,即VLRNet、AlexNet、SqueezeNet、VGG16和ResNet50。实验过程中,我们通过改变输入图像大小,即从56×56到227×227,来仔细评估不同的模型。实验结果表明,我们的模型在不同输入图像大小的情况下都优于所比较的网络。此外,我们还进行车辆标识验证。利用从分类模型提取的深度特征训练协同贝叶斯模型,结果表明分类模型提取的特征对验证同样有效。