随着深度学习等人工智能技术的迅猛进步,智能交通系统取得突破性进展。汽车车型识别(Vehicle Model Recognition)作为其最基础的一环,在智能交通、智能安防以及智能收费等若干方面发挥重要作用。汽车车型的精确识别不同于汽车品牌、类型等分类问题,属于细粒度分类范畴,如何提升识别精度和提升效率是亟待解决的难题。本文基于深度学习方法,研究了数据集属性对车型识别精度及效率的影响,提出汽车车型识别训练集角度紧致性的概念,并创建了针对中国市场的MTV-1638s数据集。在此基础上基于ResNet-50提出多阶段学习网络MS-CNN车型识别方法,数值实验表明该算法可进行高效车型识别。具体研究内容如下:(1)分析并提出了汽车车型识别训练集的角度紧致性及创建对应车型数据库。首先,针对中国汽车市场车型识别问题,创建了一个更为合理的汽车数据集MTV-1638s,包括了中国市场常见的1638款车型。通过分类分析发现,训练库中单一车型样本数量及角度对识别效果影响较大。为此,本文创建了一个均匀角度采样车型数据集ASMTV120s,在此基础上研究了汽车角度分布对识别率的影响,实验表明:训练集中单车型仅包含不多于18个指定角度的样本图片即可达到同等识别效果,并可减少41.18%的训练时长。(2)提出了加强高阶信息的多阶段神经网络MS-CNN车型识别方法。汽车车型识别存在类内差距大且类间差距小的问题,若能充分利用富含语义信息的高层网络特征,对于车型识别将大有裨益。本文在ResNet-50基础上,提出一个加强高阶信息的多阶段神经网络MS-CNN。数值实验证明,该网络能提取到更丰富的语义特征与空间信息,与VGG-16、ResNet-50及B-CNN相比能得到更高的识别精度。