随着机动车数量迅速增长,城市交通拥堵日益严重。智能交通系统在提升交通运输效率,减少交通安全隐患等方面发挥出重要作用,从而受到广泛的关注。车辆的检测与识别是智能交通系统的关键问题之一。随着深度学习方法的出现,基于深度学习的车辆检测与识别取得了很大的进展。但由于交通环境中车辆尺度多样、场景复杂多变、光照变化以及遮挡等因素的影响,车辆检测与识别算法的性能还有待于提高。本文以此为背景,对基于深度学习的车辆检测与识别算法进行了深入的研究,实现了一种基于可分离反向连接网络(Separable Reverse Connected network)的车辆检测与识别算法。主要工作如下:1.针对目前常用的深度学习检测框架进行了分析。通过对比实验的方式研究不同特征提取网络和检测识别框架的车辆检测识别性能,选取综合性能较好的框架作为车辆检测与识别的基础模型。2.在对比实验的基础之上,本文实现了一个多尺度车辆检测识别算法,称为可分离反向连接网络(Separable Reverse Connectednetwork,SRC)。其中可分离卷积网络将特征提取网络生成的特征图进行稀疏表示,一定程度上减少检测识别网络所需的参数量。反向连接网络将浅层特征图的空间信息和深层特征图的语义信息有效融合,提升了网络的多尺度特征表达能力。3.为进一步提升网络模型的车辆检测性能,本文采用了一系列优化算法。训练策略优化算法通过多尺度训练和在线难例挖掘算法提升网络的训练效率,网络模型优化算法有效减少了网络中的参数量和计算量。为了验证所构建网络的有效性,本文在公开数据集Pascal VOC和MS COCO上进行了实验。实验结果表明,SRC网络的车辆检测识别性能优于FPN和YOLOv2等先进检测框架。此外,优化过程进一步提升了网络的检测识别性能,实现了多尺度多类别的实时车辆检测与识别。