近年来,人工智能的快速发展为汽车行业带来了新的发展活力。随着自动驾驶技术为核心的汽车产业逐渐成形,人们的出行方式将发生极大的变化。车辆检测作为实现自动驾驶与智能交通的关键技术之一,在减少事故发生、解决交通问题上发挥了重大的作用,被广泛应用于无人驾驶、智能交通系统、智能停车场、交通事故处理等领域。传统车辆检测的方法存在准确率较低、检测速度慢、无法满足实时性等方面的问题,因此本文基于机器视觉和深度学习,对车辆检测识别进行研究和实现,主要研究内容如下:1.针对开源的车辆数据集采集的交通场景和国内有较大的差异、且含有的类别不多等问题,构建了包含小汽车、巴士、货车、有轨电车等目标的车辆数据集;采用了数据增强的方法解决目标类别分布不均衡的问题,为后面搭建的车辆检测模型的训练及实验提供了有力的数据支持。2.研究提出了改进的SSD（Single Shot Multi Box Detector）车辆检测方法。在分析了SSD检测算法原理及算法优缺点基础上,针对SSD算法对于小目标物体检测精度低、模型判别能力较差问题,对不同的基础网络进行比较,选择最佳的基础特征提取网络;将并行网络结构与膨胀卷积进行结合,且添加了融合层,对不同深度的特征图进行融合,改善其特征表达能力;采用了K-means聚类算法,选取最佳的先验框,使得SSD先验框更适合于车辆目标检测;在非大值抑制算法中,引入了高斯函数,采用改进后的非极大值抑制算法更好的筛选候选框。实验结果表明,本文提出的改进SSD网络对不同的目标有更好的检测效果。3.针对遮挡目标检测精度不高的问题,对基于边界框回归的不同损失函数进行了研究分析,引入了Repulsion损失函数,并对该损失函数的吸引项和排斥项进行了优化。实验结果表明,改进后损失函数的车辆检测模型对不同情况的遮挡目标的精度均有提高。4.通过Tensorflow框架完成了网络模型的设计,并采用了迁移学习的方式,利用Image Net数据集上预训练权重进行初步训练。该方式能够在保持网络精度的情况下,提升网络模型的训练速度。