随着大数据时代的来临、计算机硬件性能的提升,人工智能得到了迅速发展并被广泛应用于各个领域。其中,对深度学习领域的研究与探讨更是成为这些年人工智能方向的热点。而深度学习在计算机视觉领域的研究也逐渐占据越来越重要的地位,其中最具研究价值的目标检测问题(也称物体识别、物体检测)也因为深度学习而产生质的改变。传统的目标检测方法包括三个主要步骤:生成目标建议框,基于建议框提取特征,对其进行分类与边框回归。传统的目标检测方法不论是计算量上还是人力资源耗费上都是很大的,同时,它还不能实现实时检测。而对于引入了深度学习的目标检测方法则改进了上述缺陷,但基于深度学习的目标检测往往只能识别基础的实例物体,对于一些存在隐含逻辑关系的物体识别能力仍有一定欠缺。本论文研究了一个实际应用问题并弥补了上述缺陷,基于深度学习的目标检测方法,判断并识别出现违章行为的车辆。本文的主要工作包括两个方面。首先在完成交通违章信息车辆数据收集之后,设计完成了一个用于人工分拣标记图片的分拣软件,其优点在于能够个性化地调用一些基础的深度学习目标检测算法模型,可以大大降低人工精力的消耗,并借此软件将收集到的交通违章信息图片进行分类标注;其次,基于SSD网络模型,将其得到的目标检测结果与卷积神经网络对车道信息的特征提取相结合,提出了三种方案,其一,构建了提取车辆特征的SSD网络与提取车道特征的卷积神经网络相结合的双流网络;其二,在SSD网络模型的不同尺度的特征层中,引入得到的相同尺度车道信息池化结果,提出了嵌入车道池化特征的复合型特征SSD模型;其三,在SSD模型得到的检测框的基础上,提取相同位置的车道信息,构建了一个结合SSD和车道信息的双通道卷积神经网络。最后,本文分别实现了所提出的3种模型,并与标准SSD网络进行了对比。实验结果表明本文提出的模型,与标准SSD网络相比有所提高,尤其是第三种基于SSD的双通道卷积网络模型在F1度量以及ROC曲线的AUC面积方面都有明显提高。本文通过在SSD目标检测模型中引入车道信息,提出了几种违规使用专用车道检测模型,一定程度上实现了对图片信息中隐藏逻辑关系信息的识别与提取,开阔了基于深度学习的目标识别网络模型的应用范围。此外,论文所提出的方法有很强的实际应用背景,具备良好的应用潜力。