随着汽车产业的发展,越来越多的车辆开始出现在城市的大街小巷,在方便人们出行的同时,也给城市交通管理人员带来管理上的不便。对车辆子品牌分类有利于帮助城市交通管理人员对车辆进行更细致的管理。车辆子品牌分类包括车辆检测和子品牌分类两个阶段,车辆检测阶段采用车辆检测算法提取车辆前景,子品牌分类阶段使用图像分类网络对提取的车辆前景进行分类得到子品牌信息。检测阶段所用的基于RCNN系列的车辆检测算法在进行小尺度车辆检测时会出现漏检,分类阶段所用的图像分类网络无法学习子类别车辆的局部特征用于子品牌分类。针对上述问题,本文设计一种基于细粒度图像的车辆子品牌分类系统。该系统包括基于残差块与改进候选网络的车辆检测算法以及基于局部特征的子品牌分类网络。基于残差块与改进候选网络的车辆检测算法,以目标检测算法Faster RCNN为框架,设计一种基于残差块的卷积特征提取网络替代Faster RCNN常用的ZF网络和VGG网络提取车辆卷积特征,提高网络对车辆浅层纹理信息的学习能力;还提出一种基于多层卷积的候选区域生成网络替代Faster RCNN所用的区域建议网络,生成多尺度的候选区域,减少小尺度车辆检测时出现漏检现象。基于多层卷积的候选区域生成网络还包含基于回归的检测框精修网络,使用全连接层训练权值矩阵,然后通过权值矩阵对检测框进行精修,使检测框可以准确覆盖车辆,减少背景对分类阶段的影响。基于局部特征的子品牌分类网络,以VGG19网络为基础,使用VGG19最后一层卷积层的卷积特征生成车辆显著图,然后使用池化层对车辆显著图进行筛选,得到响应最大的特征点。结合感受野,可以认为响应最大的点对应的区域就是子品牌车辆存在差异的局部区域,提取局部特征训练子品牌分类模型。为了验证本文所提出的基于残差块与改进候选网络的车辆检测算法和设计的基于细粒度图像的车辆子品牌分类系统的性能,在Car196、Comp Cars和自制的数据集上进行测试,并与当前主流的三种目标检测算法和五种基于细粒度图像的车辆子品牌分类方法进行对比。实验结果表明:本文提出的基于残差块与改进候选网络的车辆检测算法可以有效地减少小尺度车辆检测时出现的漏检问题,并且算法的单个类别平均准确率、召回率、准确率均高于其它三种目标检测算法;本文设计的基于细粒度图像的车辆子品牌分类系统在三个数据集上的识别准确率均高于其它五种细粒度图像分类方法,有效的证明了本文设计的基于细粒度图像的车辆子品牌分类系统能够有效的实现车辆子品牌分类。