随着车辆制造技术的飞速发展,交通效率得到了很大的提高。但车辆的普及在提高交通效率的同时也带来了安全、调控和管理等方面的问题。智能交通系统的构建是解决这一系列交通问题的重要举措。车标检测是智能交通系统中不可或缺的一环。近些年,很多车标检测方法被提出,车标检测领域发展迅速。但是,现有的车标检测方法仍存在以下三个问题。一是现有的车标检测方法精度低。二是现有的车标检测方法未解决运动模糊问题对于车标检测任务的影响。三是现有的车标检测方法没有解决检测任务中的背景干扰问题。针对问题一:现有的车标检测方法精度低。本文提出了一种基于深度学习的车标检测方法。该方法由EOC聚类算法和VL-YOLO检测算法两部分组成。EOC算法可以有效排除数据集中的异常值,并进行无监督聚类。EOC对数据聚类后会得到先验框,并将先验框提供给VL-YOLO。VL-YOLO算法优化了网络结构,并且通过特征融合的方式结合了不同尺寸的深、浅层特征图。在此基础上,VLYOLO构建了多尺度检测的网络结构,以实现车标的精准检测。我们开展了一系列的对比实验。实验结果表明,本文所提出的车标检测方法实现了98.1%的检测精度。针对问题二:现有的方法未解决运动模糊对于车标检测任务的影响。本文提出了一种名为Filter-DeblurGAN的车标图像去模糊方法。Filter-DeblurGAN作用于车标检测任务的图像去模糊阶段。该方法对于提升运动模糊情况下的车标检测精度具有很好的作用。首先,Filter-DeblurGAN对图像的质量进行鉴定,判断图像是否存在运动模糊问题。然后,该方法根据鉴定结果对图像进行分流处理,接着对筛选出的存在运动模糊问题的图像进行修复操作。最后,Filter-DeblurGAN输出修复后的图像。我们进行了多组实验论证Filter-DeblurGAN的有效性,结果表明该方法具有良好的去运动模糊性能。并且,Filter-DeblurGAN可以很好地提升运动模糊情况下车标的检测精度。针对问题三:现有的车标检测方法未解决检测任务中的背景干扰。本文提出了一种基于车辆结构关联性的车标感兴趣区域提取方法。由于背景的复杂性,误检问题难以避免。因此,车标检测结果的可靠性也会受到影响。本文所提出的方法利用车灯和车标两者间的位置关联性对车标的感兴趣区域进行提取。实验证明该方法可以有效减小背景干扰对车标检测任务的影响。本文通过大量的实验论证了上述方法的有效性。实验结果表明,本文所提出的方法能够很好地提升车标的检测精度,有效地解决运动模糊对于车标检测任务的影响,并且可以减少由复杂背景所导致的干扰。本文的部分成果已发表在SCI期刊上。