我国经济的快速发展,使得机动车保有量不断升高,由此也引发了一系列问题。所以智能交通运输系统(Intelligent Transport System,ITS)越来越受到关注,并且这类系统可以增加车辆驾驶的安全性。车辆目标检测是ITS系统的核心功能之一。传统方法对视频监控图像的处理已经取得了很大的发展,但是复杂的背景、较强的光线、雨雪雾霾等恶劣天气以及视频监控图像中车辆的重叠,这些问题存在时传统方法的检测效果依旧不好。本文对传统的车辆检测方法进行了归纳和总结。针对其不足之处,将基于深度学习的检测算法应用在车辆目标检测中。重在解决传统方法不能很好定位车辆目标和对车辆目标分类不佳的问题。主要完成了以下工作:1)本文制作了用于实验的自建的车辆数据集。实验图片由网络爬虫获取和相机拍照共同获得,从不同的交通场景中采集了多种不同外观、不同型号、不同角度的车辆图片。采用Image Net标注方式,构成一个标准的车辆数据集。2)在暗光环境下,图像中的车辆目标与背景较为相似,区分较为困难。因此本文提出一种针对暗光环境下的车辆图片判断的算法,使得正常光照图片和暗光车辆图片可以被区分,并对暗光车辆图片进行增强处理。使得处理后的车辆目标和背景更好的分离,最后使用卷积网络对车辆目标进行定位和分类。3)在车辆目标定位过程中,针对卷积网络中车辆目标边界框定位不准确的情况。本文改进了Loc Net卷积网络车辆定位算法,通过不同的扩大因子获得更多的搜索区域。使得在后续的卷积处理中,可以获得更好的车辆目标定位效果。4)为了更符合现实场景中的车辆检测,本文改进了SSD卷积神经网络。可以实现针对场景中的多个类别多个尺度的车辆目标进行检测和车型识别。首次应用到对电动车的检测,并且该车辆检测方法在雾天,阴天,雨雪天气下也有较好的测试结果。