繁忙的交通管理为车辆检测技术发展提出了迫切的需求。基于机器视觉的目标检测技术为智能交通提供了关键的技术支持。受制于场景的复杂多样性、光照强弱的不均衡、车辆的多角度等问题，使得车辆检测存在着巨大的挑战，如何提高检测的准确率和速度，也成为了一大研究难题。鉴于此，本文在已有研究成果基础上，基于深度学习方法，系统开展了车辆检测技术的理论研究、技术开发和实验分析。　　完成的主要工作和取得的成果如下：　　1）根据车辆检测需求分析，开展了全面系统的机器学习方法及其算法研究，从理论上论证了采用深度学习卷积神经网络框架学习的可行性和优越性，为课题开展提供了理论支撑；　　2）针对FasterR-CNN（基于卷积神经网络的快速检测）方法，以车辆特征提取为背景，以训练样本数量、网络层数、训练网络组合参数为目标，开展了网络参数优化研究，取得了优化检测模型。　　3）根据研究目标，设计了实验流程，采用CCD彩色摄像装置，进行了涵盖具有部分遮挡、光照不均匀、不同观测角度、不同车型、不同尺寸检测样本提取；　　4）基于Linux系统平台，利用成熟模型，对三种不同检测方法进行了编程实现。　　5）基于同样的实验检测样本，对三种检测方法的准确性、实时性进行了对比分析。结果表明：FasterR-CNN方法具有相对优越的性能，准确性最高，检测速度最快；DPM（可变形部件模型）方法性能最差。