随着交通网对车辆的吞吐量日益增加,严峻的交通形式和频发的道路车辆安全问题受到越来越多人的关注。因此,大力发展智能交通已经迫在眉睫,发展智能交通至关重要的一步是在复杂道路场景中,对车辆进行精准快速自主识别和跟踪,可以有效的解决车辆碰撞、交通事故鉴定和交通拥堵情况判定等实际问题。1)本文首先从研究国内外经典的车辆跟踪算法入手,对车辆图像的数据集进行获取和标记,做好神经网络训练和验证的数据准备工作,研究基于多特征子空间分布的深度模型和在线迁移学习的车辆识别算法,建立以多层受限玻尔兹曼机构造底层,深度信念网路构造上层结构的深层模型,利用迁移学习对复杂道路场景下的车辆进行识别。从识别精度和识别速度上分析该算法的优缺点,进一步寻找更满足复杂场景需求的车辆识别算法。2)以多特征子空间分布的深度迁移学习和YOLO神经网络作为基础的研究模型,提出一种快速精准的车辆识别算法(Fast and accurate vehicle recognition简称:FAVR)作为本文研究模型。首先,通过输入复杂环境下多种自采集车辆样本和KITTI车辆数据集对模型进行训练及参数优化,对复杂场景中的车辆进行识别。然后,结合车辆跟踪算法实现对车辆稳定、准确、实时性跟踪,其该算法车辆识别的精确度、准确率、精确度、召回率和F1分别达到92.18%、80.73%、78.67%和79.95%。通过训练好的网络模型进行实验,验证本文提出的识别算法和基于卡尔曼滤波的车辆定位算法的精度和效率。本文提出的FAVR算法使用Batch Normalization正则化,这样可以避免过拟合的同时加速了网络的收敛;删除池化层缓解了因为池化带来的信息损失问题;取消了全连层避免了深层网络梯度消失问题;从三个尺度对目标进行预测解决YOLO算法对小目标的误检率,提高网络的推理速度,同时在两种数据集上获得了较高的精度。