随着时代的发展和国民消费水平的不断提高,机动车的数量日益增长;而对于车辆的实时监控和管理仅靠人力已经难以完成,必须借助人工智能等智能交通手段。其中,车辆品牌和子品牌的识别是车辆管理中的一个重要环节,人们可以通过对道路上监控摄像头中的视频图像进行分析,实现车辆品牌识别与分类,进而进行统计与数据分析,对城市车辆进行有效管理。近年来,计算机视觉领域蓬勃发展,在很多视觉处理任务中,计算机的识别水平甚至超过了肉眼的正常水平。但是在实际交通环境下,车辆被监控摄像头拍下的角度是多种多样的,并且拍摄时间、天气、光照角度等外界条件对拍下的车辆图片清晰度影响很大,这对于车辆品牌的识别有较大的难度,对于人工标注来说更是工作量巨大。此外,实际的交通环境千差万别,在一个环境下识别效果较好的模型到了新的环境中可能会有较大的准确率下降。因此,如何在环境改变时仍能保持一个较高的准确率是一个需要解决的问题。本文的目的是在监控视频场景下多角度的车辆图片中识别车辆的品牌和子品牌信息,并且解决新场景下没有大量车辆品牌标注数据的冷启动问题,从而在不同的场景中保持较高的车辆品牌识别准确率。本文所做的主要工作及贡献有:(1)选用不同的卷积神经网络模型对网络来源车辆图片进行微调训练,从方法的层面上证明对卷积神经网络进行微调训练的方法对于解决多角度下车辆品牌识别问题的有效性,并获得网络来源图片的识别模型。(2)收集并制作大数量有车辆品牌标注的监控视频场景下多角度的车辆图片数据集,填补车辆品牌识别领域中监控视频场景车辆图片数据集较少的空缺。(3)使用迁移学习中领域适应的方法,把网络来源车辆图片微调训练的车辆品牌识别模型迁移到监控视频场景下,从而在目标场景缺少品牌标注数据的冷启动时期快速得到一个拥有较高识别准确率的识别模型。