随着机动车数目的急速增长,我国出现一系列严重的安全与交通问题。与此同时,视频图像文件呈爆炸式增长,为公安的监控、刑侦以及案件的侦破带来了很大的困扰。尤其随着车辆的增多,涉车案件也越来越多。车辆及其个性特征(感兴趣区域)检测识别越来越受到人们的关注,但是目前相关检测识别系统的处理性能和准确率都有待提高,所以提出一种高效准确的车辆检测算法意义重大。本文对基于卷积神经网络的车辆目标检测方法及其感兴趣区域(ROI)的提取算法进行了研究,包括准确率和处理性能两方面,主要的研究内容如下:(1)借助某市公安局的交通卡口高清车辆库,整理并标注车辆训练数据集,建立了车辆及其ROI图像数据集,其中包含了4类整车轿车、面包车、客车、货车和4类部件(感兴趣区域)挡风玻璃、遮阳板、车牌、年检标共8类样本作为训练和测试样本,用于验证算法的有效性。(2)提出了一种基于改进的卷积神经网络的车辆及其ROI的粗粒度检测方法,该网络结构使用了ELU激活函数并可实现图像的多尺度的训练,能够对测试数据集的8类数据快速检测并识别其所属类别。与近几年提出来的目标检测方法做对比,结果表明无论在处理速度和准确度上都有了明显提高,在迭代20000次的情况下平均准确率为91.2%。(3)利用CUDA并行架构和单机多GPU卡的优势,进一步提高了车辆及ROI检测算法的检测速度,同样的交通数据获得了近4倍的加速效果,加快了目标检索的效率。本文以国家自然科学基金“面向异构平台的交通图像车型检索并行计算模式研究”和河北省科学院应用数学所国际合作专项“基于深度学习的车辆图像并行分布式检索系统”为依托,对交通图像中车辆目标及其ROI检测进行研究,使用卷积神经网络算法实现了研究目标的单机多GPU的并行检测,提高了准确率及处理性能。通过这些研究,为快速挖掘嫌疑车辆,服务警务实战,提高社会公共安全服务水平等提供技术支撑。