车辆检测的含义是指判断目标图像中,是存在车辆信息,若存在,则将车辆图像用标注框注释出来。车型识别的含义是指在车辆检测的基础之上,根据车辆检测标注框中的信息,识别出目标车辆的具体型号信息,并注释出来。近年来,基于深度学习的算法成为车辆检测和车型识别的主要方法。本文完成了基于深度学习的车辆检测算法研究,完成了基于深度学习的Res Ne Xt网络的车型识别模型。本研究了Res Ne Xt网络的结构和特点,在Res Ne Xt网络的基础上,提出了结合Inception模块的Res Ne Xt-I网络模型。在Res Ne Xt-I模型基础上,用随机擦除算法和标签平滑正则进行改进。本文的主要研究内容和工作如下:（1）针对车辆图像尺度不同,宽高比不同的问题,本文选择使用YOLO v3目标检测网络进行车辆检测,保证车辆检测速度和准确率的目的。（2）针对Res Ne Xt构建块结构采用完全相同的分支进行叠加,缺少多尺度特性的问题,本文在Res Ne Xt网络结构基础上,提出了Res Ne Xt-I网络模型,将Inception模块通过重新设计串联到Res Ne Xt网络结构中。本文完成了Res Ne Xt-I网络模型的训练、验证和测试,通过实验验证了Res Ne Xt-I网络模型可以提高车型识别的准确率。（3）针对深度神经网络网络层数深,参数多,训练泛化性差,预测新数据性能不佳的问题,本文增加了数据处理方法,用随机擦除的方法对Stanford Cars数据集进行预处理。将通过随机擦除扩充后的数据集作为车型识别模型Res Ne Xt网络训练的数据集,通过实验验证了随机擦除进行数据集预处理,可以降低车型识别网络模型的损失,提高模型的鲁棒性。（4）针对一般网络训练时忽略错误标签,导致网络模型预测准确率不高的问题,本文在Res Ne Xt网络的基础上,增加了标签平滑正则化算法对网络模型进行优化。通过实验验证了标签平滑正则化可以达到提高车型识别准确率的目的。（5）本文在提出的Res Ne Xt-I网络模型基础上,将标签平滑正则化加入到本文提出的Res Ne Xt-I网络模型中,提出了Res Ne Xt-I增强网络模型,并将随机擦除对Stanford Cars数据集进行扩充后的数据集作为训练集进行训练。Res Ne Xt-I增强网络模型可以提高网络提取图像特征的能力,减小错误标签影响,与原始Res Ne Xt网络模型相比,通过实验验证了Res Ne Xt-I增强网络模型达到可以提高车型识别的准确率,提高模型鲁棒性的目的。