目标的细粒度分类技术已经成为交通监控系统中的关键一环,被应用于车辆目标的实时车型识别任务。针对车辆目标的图像,细粒度分类算法需要在车辆目标这个大类别中,对其中数百个子类别进行细粒度分类,识别出不同的车型信息。虽然在理想环境中,只需要检测单帧图像中的车辆号牌即可通过后台查询得到具体的车型信息。但在复杂多变的环境条件与车辆号牌污损情况下,无法直接得到车辆号牌信息,因此不能保证精准车型信息的有效获取。目前,目标细粒度分类算法主要包括通用目标的细粒度分类算法和车辆目标的细粒度分类算法。一方面,通用目标的主流细粒度分类算法利用了区分度较强的局部区域特征来提升细粒度分类精度,但没有专门针对车辆目标进行优化,在车辆目标的细粒度分类任务上应用性较差。另一方面,车辆目标的主流细粒度分类算法结合了车辆目标的三维结构信息,对局部组件特征进行提取并用于细粒度分类。虽然在一定程度上改善了车辆目标的细粒度分类效果,但这一方法依旧存在三维结构模型标注成本较大和目标姿态匹配估计困难这两大问题。针对这些问题,本文提出一种基于姿态不变性的目标细粒度分类算法。对于车辆目标的细粒度分类任务,本文将其分为两个相关的子任务,分别是车辆目标姿态估计子任务与细粒度分类子任务。本文算法将先对车辆目标的三维标定框进行估计,再通过三维标定框对车辆目标的姿态进行归一化操作,并在姿态不变的基础上完成车辆目标的细粒度分类任务。归一化图像的姿态不变性能够有效降低姿态变化所产生的类内差异,有助于提升细粒度分类性能。因此本文主要的创新点包括车辆目标三维标定框生成方法与车辆目标姿态归一化方法:（1）本文先设计了一个基于U-Net网络的三维标定面色块图生成网络,并改进得到一个基于双U-Net特征融合网络的三维标定框关键点生成算法。通过关键点热图提取对应的关键点坐标,用以估计车辆目标姿态。这一方法不需要二维标定框信息与车辆轮廓信息作为输入信息,能够直接通过车辆目标图像端到端地生成三维标定框。同时,本文算法在两个U-Net子网络之间添加了跨网络的跳跃联接结构,可以有效融合不同网络间的共享特征,进一步提升生成效果。实验证明,相较于现有其他三维标定框生成方法,本文提出的三维标定框生成算法在准确性和鲁棒性上均有明显提升。（2）本文利用生成得到的三维标定框提取车辆目标的三个标定面,使用透视变换方法将每个面归一化到一个二维平面中,以此完成车辆目标的姿态归一化操作,有效降低了因姿态变化所造成的类内差异。在此基础上,本文还提出了一种姿态归一化的改进方法,通过增加一个透视变换后的斜面用于进一步矫正车辆目标的正面姿态。这一改进方法更符合车辆目标的实际结构,进一步改善了姿态归一化效果。最后使用主流的分类网络对归一化后的图像进行分类,即可完成基于姿态不变性的车辆目标细粒度分类任务。本文所提出的基于姿态不变性的目标细粒度分类算法,在无需任何先验姿态信息的情况下,能够直接通过车辆目标图像端到端地实现姿态估计,并利用改进后的姿态归一化方法在姿态不变的基础上完成车辆目标细粒度分类任务。在Box Cars21k数据集与Box Cars116k数据集上,本文的三维标定框生成方法同前沿的生成方法相比有着更优异的表现与更强的鲁棒性,在关键点生成精度上分别提升了9.35%与7.15%。本文算法在最终的细粒度分类准确率指标上,相比基于生成数据的现有最佳结果提升了1.81%与1.45%。