得益于计算机硬件性能的稳步提升,机器学习领域中需要耗费大规模计算资源的深度学习也得到了快速发展。与传统的基于人工神经网络的机器学习算法相比,深度学习算法在网络结构的复杂度上有了质的突破,因而解决复杂问题的能力大大加强。特别地,在目标检测与识别领域,涌现出了诸如YoLo,SSD等等基于卷积神经网络的深度学习算法,在公共数据集上取得了较好的效果。另一方面,随着我国城市化进程的加快,建筑渣土和各类工程材料运输需求及运量不断增长。受经济利益的驱动,工程运输车辆(俗称“渣土车”)超载现象十分普遍,一旦发生事故,往往导致严重后果。交通部门投入了大量的人力成本对渣土车运输进行监管,但取得的效果十分有限。针对渣土车运输管理困难的问题,本文希望能够借助深度学习的技术帮助交通管理部门自动识别视频中的渣土车,并判断渣土车是否超载。对此,我们研究并比较了三种主流的基于卷积神经网络的目标检测与分类算法,在综合考虑各项因素后,选择以Single Shot MultiBox Detector(SSD)算法为基础,搭建渣土车违规行为监测系统(Irregular Truck Motion Detector,ITMD)。通过构建渣土车数据集,探索与调整神经网络超参数,本文成功训练出了ITMD系统基础的网络模型。基础ITMD系统能够较准确地检测出渣土车并判断其是否超载。本文在此基础上对其还存在的一些不足进行了有针对性的提升,包括(1)对于“渣土车”这一细分类识别目标,本文通过改进训练方式的方法有效地降低了模型的误识别率,减少了ITMD系统将其它类似交通工具误识别为渣土车的情况。(2)针对本文特定的应用场景,我们简化了原算法的搜索空间,在基本保证识别效果的前提下,提高了算法的检测速度。经过训练方法优化的ITMD系统在测试集取得了86.18%的mAP,优于基础ITMD系统的83.01%mAP。如果应用搜索空间简化方法,模型检测一帧图片的时间将从1056.1ms缩短为1045.9ms,整个训练时间能够缩短约一小时,在测试集上的mAP为85.64%,依旧优于基础ITMD系统的平均精度。