随着工业自动化水平的提高和科技的进步,车辆识别的应用场景越来越复杂,对车辆识别的精度等要求也不断提高。复杂场景下的车辆识别需求与日俱增,且其识别难度大于一般性场景。深度学习的本质是通过构建多个隐层的神经网络来训练样本数据,通过训练来学习样本的特征,代替依赖经验进行的人工特征提取。深度学习最显著的特点是,它可以把一个复杂问题拆分成若干个简单问题,并依次解决这些简单问题,之后综合起来解决复杂问题。因此,深度学习逐渐成为车辆识别领域的重要支撑,且其具有广泛的应用价值。在实际应用中,往往存在目标被遮挡严重、相同目标重叠较多等情况,为了从复杂背景中准确识别出车辆并对其进行精准定位,本文通过对深度学习YOLO(You Only Look Once)网络模型深入分析的基础上,针对原YOLO网络模型算法识别率不能满足复杂应用的问题,通过对公开数据集标注文件进行可视化解析,对其中的漏标注、误标注的车辆位置进行调整,并对样本数据进行数据增强处理,形成PCAR训练数据集,提升车辆识别率;针对深度学习识别算法识别车辆存在虚警较多的问题,提出一种基于残差归一化规则的虚警抑制方法剔除虚警;训练阶段研究了深度学习模型参数的调优方法,通过调整学习率避免学习率过大导致超调现象或者学习率过小导致学习速率慢的现象;通过设置权值衰减系数,避免权值过大引起过拟合。在不同神经网络模型下对不同数据集进行实验,实验结果表明,使用COCO数据集测试时,改进的算法平均精度均值(Mean Average Precision,mAP)为79.2%,比YOLO网络模型算法提高了0.6%;使用PCAR数据集测试时,改进的算法mAP值为69.7%,比YOLO网络模型算法提高了7.4%。改进后的算法使车辆识别虚警率下降、识别率上升,具有一定的理论意义和实践意义。