传统的铁路货车车型识别技术存在着对环境适应性差,对光照敏感等不足,其结果表现为识别率不高,可靠性较低。将深度学习技术应用于铁路货车车型识别中,可以降低对货车监控图像质量的要求,提高自动识别的准确率,进一步降低车型识别的误检率和漏检率,提高车型识别的鲁棒性和可靠性。本文基于深度学习理论和技术,结合用于目标识别的三种卷积神经网络,构建基于深度学习的铁路货车车型识别模型,提出改进的网络结构、特征提取和识别方法,实现铁路货车车型的准确识别。本文的贡献主要有:(1)针对网络复杂度较高的问题,提出网络简化的方法。在VGGNet-16的基础上减少全连接层的个数,改变池化层的性质和大小以增强铁路车型识别分类效果。通过实验表明该方法既能保持网络特征提取能力,同时其训练时间比原网络快了三分之一。(2)给出了一种基于GoogLeNet和D-S概率优化的分类识别方法,该方法首先对GoogLeNet中三个分类器输出的概率向量进行基于D-S的概率优化判断,其次对经过D-S概率优化判断后的概率向量进行特征融合,提高了基于GoogLeNet网络的车型识别准确率。实验表明提出的方法能够进一步提高网络的准确度,将Top-1 提高了 5%。(3)给出一种改进的残差网络优化方法,以降低网络的计算复杂度,并提高网络特征提取能力和识别准确率。该方法将网络中的标准卷积分解为深度卷积和点卷积,其中,深度卷积针对特征图的每个输入通道采用不同的卷积核进行滤波,点卷积用于对特征图的不同通道之间的特征信息进行融合,通过分解卷积的方式压缩训练模型,减少计算参数。实验数据证明,改进方法将识别准确率Top-1提高了 10%,计算量减少了四分之一。