随着智能交通系统的快速发展和交通监控摄像头的海量部署,交通监控视频爆炸式增长,在交通监控视频海量化、高清化的趋势下,当遇到交通事故等紧急情况时进行实时的车型匹配是很重要的,但传统的视频处理方法很难适应这种变化。传统的交通视频处理方法更多针对于较低层次的视频存储和管理,忽略了交通视频数据的分析、关联与挖掘,很难做到实时的处理并反馈结果。而深度学习是机器学习研究中一个新的领域,它可以让按照层级划分的计算模型学习具有多层次抽象数据的表示,模仿人脑的机制来理解数据,这就让计算机智能处理海量交通视频成为可能。在此背景下,本文提出了一种通用的车型匹配方法,对交通监控视频进行智能分析并得出匹配结果。首先将深度学习方法应用到车型特征提取上来,对SSD深度学习网络进行了改进,在进行车辆检测的同时,一次性提取图像中全部车型特征;并设计了一种新的卷积神经网络VTM-CNN(Vehicle Type Matching Convolutional Neural Network),用于车型特征匹配,提高了车型匹配方法的识别精度。但深度学习方法速度较慢,因为它会消耗大量的GPU资源,新兴的大数据和云计算技术可以并行化深度学习方法,这大大增加了计算机智能处理交通视频大数据的可能性。本文搭建了Storm实时处理平台,在该平台上实现了基于深度学习的车型匹配方法的并行化,达到了车型匹配的实时性要求;针对深度学习消耗大量GPU资源这一特点,改进了Storm中的调度算法,使资源分配更合理,系统运行效率更高。同时将基于深度学习的实时车型匹配系统移植到嵌入式集群中,得到了较好的移植效果。评估表明搭建的Storm实时处理平台有着良好的容错性;提出的基于深度学习的实时车型匹配方法可以有效地处理连续的交通视频数据,具有较好的性能和可移植性。