近年来,智能交通系统对我国的交通管理起到了有力的监管作用,在我国引起了广泛的关注。而车辆检测技术更是智能交通的一个研究的热点,并取得了一定的研究成果。传统的车辆检测方法是通过人工提取特征,并不适用于复杂多变的交通环境;而基于深度学习的车辆检测方法可以自动学习多种环境下的目标特征,泛化性较强,对复杂的交通环境具有较强的适用性。在交通系统中,两轮车辆的违规现象较多,且较容易引发交通事故,所以对两轮车辆的检测迫在眉睫。本文结合国内外的研究现状,将采用基于改进的Faster R-CNN框架对交通视频中的两轮车辆进行检测,具体的研究内容如下:1.对国内外一般车辆和两轮车辆的检测技术进行了研究,并将传统方法和深度学习方法进行了对比,充分了解它们的优点和缺点。2.针对Faster R-CNN算法对小尺度两轮车辆的检测存在的漏检问题,本文对Faster RCNN模型做以下改进:首先针对两轮车辆数据集对锚框的尺寸进行修改,其次为了弥补小目标细节特征的丢失,在提取特征时将不同卷积层的特征进行融合,从而提高模型对小尺度两轮车辆的敏感度,提升模型的表达能力。3.针对Faster R-CNN算法对小尺度两轮车辆的检测存在的误检问题,本文引进困难样本挖掘策略,通过对困难样本的多次训练,提高模型的辨识能力,从而降低误检率。4.通过本文采集的多种真实交通场景的两轮车辆数据集,对改进后的Faster R-CNN算法进行验证,并将多种不同检测方法进行对比分析,验证本文方法对交通视频中两轮车辆检测的有效性。实验结果表明,本文方法在检测精度和召回率方面都优于其他方法。