随着我国经济飞速的发展,人民的经济水平也在不断的提高,机动车的数量也越来越多,但随之而来的是各种各样的交通问题。在我国,通过车辆检测技术的识别分类技术能够有效的缓解交通等问题。对于车辆检测技术来说,基于传统的车辆检测算法以及图像处理的方法已经不能够满足当下大规模的车辆数据集,而深度学习在计算机领域内的优势非常的明显。因此,本文使用了深度学习的方法去处理交通中多车辆检测的问题,为智能交通系统提供强有力的技术支持,以此来解决传统算法在多车辆检测分类上的不足。本文主要需要完成的工作如下:1)研究了车辆检测传统算法的结构及原理,通过实验验证了传统的算法不能适应多变的交通环境问题,理解到当下车辆检测的传统算法的优势和缺点,为采用深度学习算法进行多车辆分类检测提供了基础。2)研究了卷积神经网络在目标检测中的工作原理,对现阶段领域内具有代表性的R-CNN、Fast R-CNN,Faster R-CNN等算法进行了研究,比较了四种算法在多车辆数据集上进行的实验验证,发现Mask R-CNN在多车辆检测上的优势,提出了采用Mask R-CNN作为本文主要算法,首次使用Mask R-CNN进行车辆检测研究。3)对Mask R-CNN模块进行了结构分析,通过实验验证Mask R-CNN在多车辆检测中存在的缺陷,并针对缺陷提出Mask R-CNN的优化设计,并运用在多车辆检测数据集上。4)结合研究背景进行实验设计,本文采用反卷积运算(deconvolume operation,Deconv)对conv3进行上采样,通过池和反卷积操作可以给图像留下更多的对象细节。生成更多ROI细节,减少框重叠。实验验证了优化后的算法在多车辆检测分类精度提高了1.4%。