基于卷积神经网络的模式识别已经得到了广泛的应用,对视频中车辆目标识别属于是一个典型应用实例。本文采用YOLO模型识别车辆目标,识别的过程中,当多个候选框重叠时,对比重叠候选框的置信度,当达到一定阈值时触发非极大值抑制,去除属于同一类别目标的多个候选框中非最大置信度的候选框。但是传统的非极大值抑制存在着缺点,无法抑制面积相差较大的目标,因此本文对用于非极大值抑制的交并比中的并集,采用两个重叠目标区域的最小面积替代,达到触发非极大值抑制的作用。本文将YOLO模型的验证阶段,加入改进的非极大值抑制算法,将车辆识别作为本文的理论验证背景,验证本文提出的改进后模型的优越性。完成车辆识别之后,理论上可以得到车辆的数量,然后本文应用神经网络对车流作预测。考虑到传统的神经网络模型的学习率是依靠人为经验性设定,学习率的值设置过大,容易导致模型在训练过程中产生震荡;而学习率设置过小,容易导致模型梯度下降缓慢和收敛速度慢,因此要耗费巨大的时间精力使模型收敛;显然这是由于依靠人为设定学习率导致的一个弊端,因此本文提出基于梯度变化的自适应学习率的优化方法;该学习率将该梯度作为新学习率的判定依据,每次误差反向传播,产生一个新的学习率;学习率的变化完全与梯度变化的绝对值呈现正比例;当梯度变化较大时,学习率呈现较大的值,加快模型训练的速度;当模型接近理想的最优时,即为模型训练时梯度的波谷,模型的梯度较平缓,此时梯度变化较小,学习率较小,降低训练速度,更有助于模型收敛到误差最小值的点。本文分别采用LSTM、GRU和SAEs模型验证带有自适应学习率模型,采用对车流预测作为应用背景,并与传统未优化的模型作对比。实验证明,改进后的YOLO模型,能够准确的确定车辆目标的类别,单一目标只会得到一个候选框,改进传统模型会产生多个候选框的缺点。本文采用LSTM,GRU,SAEs模型拟合车流,采用带自适应学习率模型,相比未优化的传统模型,具有更小的拟合误差和更高的相关系数。