治安卡口系统是在交通道路上的特定地点,对所有通过该卡口点的机动车辆进行拍摄、记录与处理的一种道路交通现场监测系统。车辆的前端部分称为车脸,卡口系统主要拍摄过往车辆车脸的正面图像。治安卡口系统在智能交通以及犯罪车辆追踪等方面有重要的研究意义和应用价值,传统的治安卡口系统依托于人工识别和车牌识别技术对车辆进行识别。人工识别方法效率低,且不能长时间持续有效的对车辆进行检测和识别；车牌识别方法难以对故意遮挡车牌、伪造车牌或套牌的违法犯罪车辆进行有效的识别,这种情况下,需要一种更加智能的能够基于车牌之外的其它车辆特征来对车辆进行自动准确的识别,而车脸能够有效的表达车辆的外观属性,因此可以使用车脸图像来对车辆进行识别。车脸识别是指依靠车辆的车脸图像来对车辆的属性进行识别。本文主要聚焦于根据车脸图像来识别车辆型号的问题。该问题的主要难点在于不同品牌不同型号车辆的车脸外观差异巨大,同一型号车辆的车脸因为车辆配置不同也存在差异,同时车脸图像在卡口系统拍摄的图像中的颜色、位置、大小、角度等都不一致,这些因素都成为车脸识别研究的难点。针对这些问题,本文提出了一种基于卷积神经网络的车脸识别方法,该方法依托于车脸的外观特征,实现对目标车辆的车型进行快速且准确的识别。本文主要的研究内容和贡献如下：(1)采集和标定了一个卡口车脸图像数据库,总共包含7万多张卡口车脸图像,共315款车型。卡口车脸图像一般属于非公开数据,不容易得到,所以该车脸图像数据库具有巨大的研究价值。(2)针对卡口车脸图像没有对齐的问题,定义了车脸33个特征点,这些特征点标定了车脸轮廓、挡风玻璃、后视镜和车牌等车脸元素。在特征点基础上,实现了基于约束局部模型的车脸对齐方法,该方法能够快速准确的检测车脸特征点位置,从而将所有车脸图像对齐到相同的尺度。约束局部模型由形状模型和特征模型两个子模型组成,形状模型用于描述车脸形状,特征模型用于描述车脸特征,由两个子模型共同完成车脸特征点定位。(3)针对车脸图像特征提取方法的问题,设计并实现了适用于车脸图像的卷积神经网络模型,该模型以完整的车脸图像作为输入,得到车脸的整体特征。在该原始模型的基础上,本文研究了车脸不同组件对识别率的影响,提出了基于多组件卷积神经网络的车脸组合模型,该组合模型针对车脸的元素位置将车脸划分为5个组件,并对每个组件分别训练单独的卷积神经网络子模型,最后通过组合所有子模型的输出特征来得到最能够描述整体车脸的综合特征,再使用综合特征进行分类和识别。在本文整理的车脸数据库上的实验表明,基于约束局部模型的车脸对齐方法能显著提高车脸识别率,比原始非对齐的车脸图像识别率高了8%。使用基于多组件卷积神经网络的车脸组合模型对车脸提取的特征,能比传统的HOG特征更好的描述车脸,最终达到92%的车脸识别正确率。