随着社会科技的进步,智能交通系统在交通违规和交通事故等问题上扮演着越来越重要的角色,其中车辆搜索系统是其重要组成部分。而车辆部件检测即是检测出车辆的各个部件的位置,对整个车辆搜索系统有着决定性的影响。从这一点出发,本文提出了基于深度模型的车辆部件检测策略,保留了部件之间的相互位置关系,有效的提高了系统的有效性和可靠性。鉴于深度网络模型在图像处理、语音识别、搜索引擎等领域取得的突破性进展以及在目标检测领域的成功应用,本文采用深度学习网络对车辆部件进行检测。首先本文将车辆部件视为车辆关键点,并首次应用三级级联卷积神经网络实现关键点检测,由此提出了车辆部件中心点约束的Faster RCNN车辆部件检测方法。该方法首先利用DCNN实现关键点的定位,之后用定位结果优化Faster RCNN的候选区域筛选机制和输出策略,极大的提高了候选区域质量,使得基于Faster RCNN的车辆部件检测性能有了明显提升。然后,本文在此基础上继续改进该深度网络,利用DCNN第一级卷积网络生成车辆关键点,然后利用其检测结果采用多尺度和密采样策略生成有效的候选区域,并将其代替Faster RCNN中区域建议网络(RPN),由此提出了车辆部件中心点生成候选区域的Fast RCNN车辆部件检测方法。该方法有效的降低网络复杂度,明显提高训练效率,并提升了车辆部件的检测性能。本文通过利用改进的深度网络模型在现有的真实场景下的交通数据集上取得了明显的性能提升,同时减少单帧检测时间,使得车辆搜索的可靠性也得到了有效的保障。