车辆细分类是智慧交通系统中的重要研究内容,准确获取城市交通中的车辆型号信息,对城市交通智能管理具有重要意义。然而,车辆细粒度分类问题仍然面临着诸多挑战,一方面由于视角、光照、背景等因素影响,相同的车型会呈现出较大的类内差异;另一方面由于车辆的整体外观大致相同,不同的车型之间的类间差异很小。深度卷积神经网络虽然在通用图像识别任务上取得了很好的效果,但是受限于特征表达能力的不足,传统卷积神经网络并不能满足车辆细粒度分类的要求。在本文中,我们基于注意力机制深度卷积神经网络设计实现了一个车辆细分类系统。首先,为了尽量消除背景的干扰,我们根据车辆外观先验知识,对通用目标检测算法进行改进,在复杂背景中检测出车辆目标;然后,我们提出了基于注意力机制的多层级卷积特征融合方法,该方法利用注意力模块定位车辆图像中判别性区域,提取车辆的局部特征,并使用特征金字塔的方式将多层卷积特征融合,融合后的车辆特征既能够关注到车辆局部区域的差异,又结合了卷积网络中的低层纹理特征和高层语义特征,具有更强的鲁棒性;最后,我们提出了基于车辆标签分层结构的组交叉熵损失函数,进一步约束特征向量,增大特征向量在特征空间中的距离,最终实现车辆的细粒度分类。我们使用开源深度学习框架Pytorch,实现了一个B/S架构的车辆细粒度分类系统。实验表明,系统对不同光照、不同尺度的车辆图像都有较好的分类效果。