公路货运是我国运输行业的重要组成部分,对经济发展、民生保障等有重要意义,然而货运途中存在的串换货现象、长程运输回程空载率高、交通事故风险高等问题制约其进一步发展,通过实时检测货车载重状态能在一定程度上缓解上述问题。在近年的研究中,我国的货车称重技术已取得了不错进展,但仍存在占地面积大、推广成本高、普及程度较低等问题。而由于车载定位设备的普及,使得货车GPS轨迹数据获取成本低廉,为识别货车载重状态提供了数据基础。另一方面,随着深度学习的发展,其已被应用于交通模式识别、船舶航迹分类、车辆类型识别等时空轨迹分类问题上。因而,本文拟利用货车的GPS轨迹数据,研究基于深度学习的货车载重状态识别算法,主要研究内容如下:（1）为了解决传统方法依赖于特征工程,模型准确率受专家经验影响程度大的问题,提出了一种基于卷积神经网络的货车载重分类方法。该方法首先对货车轨迹数据进行预处理,通过运动学特征提取、阈值处理、轨迹分段等步骤,生成特征矩阵。随后利用卷积神经网络进一步提取高层次特征,并通过Softmax分类器判别货车载货状态。实验结果表明,该方法能够有效识别货车载货状态,准确率达到了 81.2%。（2）鉴于不同的轨迹特征间存在一定的关联性,为更好地对其相关性进行建模,在上述方法的基础上提出了基于时序图像化的货车载重分类方法。该方法应用格拉姆角场化方法将轨迹特征转化为图像,进一步提高对轨迹特征的表达能力;并引入了两种注意力机制,通过获取注意力权重,实现对不同运动学特征之间关联性的学习。对比实验表明,该方法能够有效提高货车载货状态识别准确率。（3）为了解决在实际应用过程中,需处理的轨迹数据量较大的问题,构建了货车载重状态检测系统。系统采用了流数据处理架构,基于Flink技术实现对大量轨迹数据的处理,并利用容器技术实现预测模型的批量部署。此外,系统具备实时处理轨迹数据、货车载重状态识别、模型训练部署、轨迹数据查询等功能。测试结果表明该系统能够满足较大量级的货车载重状态检测需求。本文提出了两种货车载重识别算法并基于此构建了货车载重状态检测系统。在采集到的货车轨迹数据上进行了实验,实验结果表明算法能够较好地识别出货车的载货状态。并在最后使用轨迹数据开展测试,对系统功能进行了验证。