公交车出行是城市居民主要出行手段之一,要解决城市公交拥挤现象就需要根据公交车实时拥挤情况智能调度车辆,更加高效合理地利用社会公交资源。以深度学习为基础的图像分类和目标识别技术为公交车拥挤程度的实时智能感知提供了方法。本文从公交车车厢拥挤程度图像分类、乘客目标检测、卷积神经网络的深入探索和算法应用四个方面展开研究。第一,本文从图像分类方面展开研究。本文利用重庆市公交车视频监控系统拍摄的公交车车厢画面,分别制作了一个公交车车厢拥挤程度分类数据集和一个公交车车厢拥挤程度分类模糊数据集。本文实现了现有的基于深度学习的主流分类算法LeNet网络模型、GoogLeNet网络模型和ResNet网络模型,并对比了它们在公交车车厢拥挤程度分类数据集上的分类效果。本文提出了一种基于模糊分类数据集的模糊分类网络模型,模型可以充分利用非精确标注的数据集,防止错误标注数据之间相互竞争。更进一步地,本文提出了一种连续性分类模型,用于解决连续性分类问题,模型创新性地输出分类类别和类别偏移量,提供了一种更细粒度的分类方法。第二,本文从目标检测方面展开研究。本文借助现有的目标检测算法Faster R-CNN和公共人头检测数据集SCUT_HEAD训练了通用人头检测模型,并使用该模型和公交车车厢图片数据制作了公交车车厢乘客人头检测数据集。本文提出了一种改进的目标检测网络模型,引入了LSTM机制,模型可以有效处理相邻很近的小目标识别问题。基于公交车车厢目标检测结果,本文提出了一种基于目标位置的分类模型,输入图片中目标位置,输出图片的拥挤程度等级。第三,在研究的过程中,本文深入分析了深度卷积神经网络的训练过程。本文对卷积核进行可视化分析,提出了卷积核同质化的问题,并引入相似度矩阵定量表示这种性质。本文跟踪训练过程中神经网络权重的变化,用高维空间的曲线来描述这一变化过程并发现了卷积核更新方向突变这一现象。最后,本文针对公交车车厢拥挤程度智能感知算法设计应用系统并部署到云端对外提供服务。此外,本文还成功将算法与硬件结合,在终端设备上运行算法。