随着城市交通运输系统的不断发展,智能交通系统日益体现出重要性与紧迫性,目前已成为交通管理系统的重要研究方向。而车型识别作为智能交通系统的重要分支和关键技术,也得到了普遍关注。以往的车型识别主要是对车辆进行粗略的分类,但在许多实际应用中,需要对车辆的品牌和型号进行自动识别,这种精细准确的自动车型识别技术也越来越重要。本论文主要研究基于图像内容的精细车型识别,主要包括车辆图像前脸检测和精细车型识别的研究。首先研究了基于卷积神经网络的车辆检测方法,实现对交通图像中的车辆进行检测。在此基础上对车辆品牌和型号的精细识别部分进行了以下研究:(1)为得到具有表征力的车辆图像特征,提高精细车型识别的准确率,提出了基于多尺度跃层卷积神经网络的车型识别方法,构建了多尺度跃层卷积神经网络,利用自适应融合方法,将多个单一尺度跃层卷积神经网络的识别结果进行融合,调整不同网络对识别结果的贡献。实验结果表明该方法适用于精细车型识别,能提高识别的准确率。(2)针对卷积神经网络(CNNs)训练时间长、识别准确率在网络训练后期增加缓慢,耗费大量时间的问题,提出一种强化学习错误样本与易错样本的CNNs车型识别算法。该算法利用了卷积神经网络训练初期网络识别错误率快速减少的特点,在训练初期适当减少样本的训练次数,并将每次训练后难识别的样本和易识别错的样本更新到训练集进行多次学习。实验结果表明在训练中多次学习错误样本与易错样本不仅能减少CNNs的训练时间而且可以进一步提升精细车型识别的准确率。