车辆的自动识别系统对于交通监控、停车管理和公安系统有着重要的意义,其中基于计算机视觉的车辆自动识别研究十分深入和广泛。在这些研究中由于自然道路场景下的光照变化,不同天气条件影响和拍摄图像畸变等问题使得车辆检测和识别具有很大的挑战性。自2012年以来,深度学习尤其是卷积神经网络成为图像分类、物体检测、语音识别、自然语言处理等领域主要研究方向。本文以上述问题为出发点,研究卷积神经网络在真实道路场景下,如何准确的进行车辆检测和车辆识别,本文的主要工作如下:1、本文提出了特征图车辆检测算法,通过对卷积层特征图和全连接层权值参数进行加权映射,能够准确定位到车辆位置,实现真实道路场景下的车辆检测。实验结果表明,在预测框与真实框重叠率不小于0.9时,特征图检测算法平均准确率在93%以上,而且对树荫、围栏等遮挡的图像和阴雨等噪声干扰的图像均有很好的鲁棒性和适用性。2、针对卡口数据集,基于AlexNet网络,研究了卷积神经网络的优化问题,包括网络全连接层的个数、卷积层的个数、卷积核的大小、卷积核的个数对卷积神经网络的分类准确率的影响,以及对特征提取时间、网络训练时间、模型参数量的影响。3、本文提出了改进的车辆识别网络,通过切分网络全连接层,并采用多任务损失方式分别计算不同属性的概率值,实现车辆的品牌识别、类型识别、颜色识别,从而对车辆多属性信息进行分类。解决了传统卷积神经网络只能依据车辆单属性进行分类,无法区分同一品牌不同颜色车辆、同一品牌不同类型车辆等问题。4、本文建立真实场景下的卡口图像数据集,共15种品牌,15000张图像。