在智能交通、无人驾驶等实际监控场景中,车牌识别和车型识别是一项非常普遍的需求,也是关键的挑战之一,随着国家现代化的发展和交通监管的需要,这些问题已经成为我国研究的热点。文在完成研究车牌识别基本理论算法的基础上还主要研究了深度学习在智能交通中应用,对一些传统的算法和神经网络框架进行改进以获取对于低质量图片的识别与分类。本文的主要研究内容如下:首先,研究了车牌识别中图像处理的基本理论。为了改善图片质量,方便后期字符识别,本文采用了一种改进的自适应二值化方法,通过自适应选取阈值,在车辆图片局部光照变化较大的情况下,该方法具有较好的二值化性能。并且在分析车牌定位算法的基础上,使用了一种基于纹理特征和OTSU方法进行车牌粗定位以及基于形态学的连通域分析精确定位的联合定位方式,为了验证这些车牌预处理方法的有效性,通过MATLAB仿真验证识别结果。其次,对于基于BP神经网络的车牌识别问题中,引入动量因子对BP神经网络进行了改进,避免了该网络陷入局部最优化的可能。使用了一种基于深度卷积神经网络的车牌识别方法,深度卷积神经网络能够区分数字、字母和背景图像。本文在Lenet-5深度卷积神经网络基础上,使用一种改进的深度卷积神经网络结构。该网络具有五个卷积层和两个全连接层。结果表明,与BP神经网络相比,本文所改进的卷积提神经网络能有效降低错误率和识别时间。最后,使用遗传算法完成了对在人行横道上车辆违停的检测。通过对适应度函数分析,当适应度大于0.1时,存在车辆违停。仿真验证该方法识别时间快,监测系统具有实时性的优点。在车型识别中,本文使用两个神经网络联合识别的方法。第一个卷积神经网络用于车辆定位,用于处理多车辆和背景复杂车辆较小的图片。第二个卷积神经网络用于车型识别,并利用两个损失函数来联合训练该网络。该方法对于复杂背景车型识别有着较好的结果。