车辆闯红灯是城市交通违法行为中造成危害最大的行为之一,为了减少此类违法行为的发生,交管部门在道路路口处架设执法摄像头,协同物理传感器,抓拍可能具备闯红灯嫌疑的车辆影像作为执法依据,并对抓拍的数据进行人工核验,判断是否真正违法。以某三线城市为例,仅城区范围内就存在超过1800个执法摄像头,据统计,某天某一路段的产生的闯红灯违法行为影像数据高达478组。因此,如果抓拍的违法影像全部交由人工判读,不仅效率低下,进而导致数据积压,还会存在执法标准不一、疲劳判读等情况,所以很多实际发生了的闯红灯违法行为未被处罚纠正。基于以上事实,提出一种基于AI（Artificial Intelligence,人工智能）的交通非现场执法场景下闯红灯违法行为自动判读算法,提升此类违法行为的判读效率与准确性。截至目前,鲜有与此领域相关的公开研究。本文主要借助深度学习与传统数字图像处理技术,将实际交通执法标准固化到深度学习模型,达到AI自动判读的效果。本文主要有以下贡献:（1）提出一种交通非现场执法场景下红绿灯的检测与识别算法。结合真实违法影像的数据特点,首先采用启发式的图像预分割方式对原始数据进行预处理,然后结合实际经验划分灯板区域完成数据标注工作,有效解决红灯与黄灯仅凭肉眼难以分辨的色差问题,最后构建交通非现场执法场景下红绿灯检测与识别算法TL-CNet完成本场景下红绿灯的检测与识别工作。在本场景真实数据集上与现有方法进行比较,实验结果表明,TL-CNet相比于Yolo v3算法,m AP提升约2.62%、漏检率降低约0.51%,在包含雨天、阴天、黄昏、黑夜、光源曝光等复杂场景中检测性能仍优于其他对比方法。（2）提出一种交通非现场执法场景下闯红灯违法车辆的检测与匹配算法。首先改进了Yolo v4目标检测算法完成该场景下候选车辆的检测,解决了车辆目标尺度差异大的问题,同时替换算法主干网络,将模型参数量约压缩至Yolo v4模型的36.40%、检测速度提升约27.27%,然后构建了基于车辆外观特征与车牌相似度结合时序位置信息的车辆匹配方法VAT-CNet,在连续三张违法影像数据中完成目标违法车辆的匹配工作,在本场景真实数据集上,VAT-CNet拥有84.41%的m AP,相比PVEN提升约9.56%。（3）基于贡献（1）、（2）,结合实际交通执法标准,提出一种基于AI的交通非现场执法场景下闯红灯违法行为自动判读算法,改变了传统由人工判读交通违法影像数据的现状,在本场景真实数据上精确率可达95.98%、召回率可达95.10%,有效地提高违法影像判读效率,规避了数据积压、低效判读、疲劳判读等情况的发生,极大节省了人力物力财力,即使在黑夜、曝光等光线条件较为恶劣以及目标车辆存在部分遮挡等情况下仍保持较高的准确率。