随着经济的发展,汽车数量呈现快速增长的趋势,智能交通系统受到越来越多的关注,目前已成为交通管理系统的重点研究内容。车型识别作为智能交通管理系统中关键技术和重要分支,在智能停车收费系统、道路交通状况监管等领域具有广泛的应用,因此成为近年来国内外学者的研究热点之一,但由于我国车型识别技术起步较晚,目前技术较发达国家还有一定的差距,所以智能交通系统在我国还未被完全普及。本文针对现有车型识别算法的特征提取复杂、耗时长、识别率低等问题,通过对比各种优秀的网络模型和算法,对车型识别算法进行了研究改进,主要工作如下:首先,针对现有的车型识别方法存在的问题,研究分析了基于传统机器学习的车型识别方法,并对传统常用的特征算子以及分类器的优缺点进行了对比。接着对于传统方法的不足,提出了一种基于卷积神经网络的车型识别方法,经过分析比较多种网络模型和优化算法,采用GooLeNet中的第三代网络模型,并且搭配Adam、Dropout等一系列优秀的算法对网络性能进行优化。为了提高网络的识别准确率,在此基础上提出AM-Softmax损失函数来代替原有的Softmax损失函数,并且利用迁移学习思想对模型进行预训练,最后利用数据增强策略来扩增数据集,进一步提高模型的准确率,经过在BIT-Vehicle数据集上进行仿真验证,结果表明所设计的网络模型分类准确率好于现有方法。其次,针对现有的两种主流的目标检测算法,对比分析了基于区域建议的目标检测算法和基于回归的目标检测算法各自的优缺点。通过结合本文具体研究内容,采用检测速度较快的YOLO系列中最新的网络模型,并利用各种优秀的优化算法提升网络性能,之后借鉴人脸识别中较为成熟的技术,采用人脸识别中最新的Arcface损失函数代替原有的二元交叉熵损失函数,进一步提高了模型的整体性能。实验结果证明,改进后的网络模型识别准确率得到了进一步的提升。最后,对本文所做的主要工作进行总结,并对未来车型识别技术的研究方向进行了展望。