随着人工智能的高速发展和城市生活中各领域自动化水平的飞速提升,智能化的交通系统带来的便利性也日益凸显。人们在关注日新月异的技术突破的同时,也开始思考这些技术能用于解决什么样的现实问题。为了解决车辆管理、交通管制、交通事故等各方面的问题,研究并实现了对车牌实时检测与识别的相关技术。但受限于复杂的交通场景中存在的光照、污渍等不可抗因素的影响,仅靠车牌识别仍无法保证能准确识别所有车辆,而且车牌识别也无力应对套牌车的情况。因此,研究从更多的维度来识别车辆势在必行。而作为汽车的第二身份证,车辆标志不仅含有车牌所不具备的生产厂家信息和车型信息,且难以替换。因此,如何高效地对车标进行自动识别便成为了当下智能交通系统新的研究课题。本文主要工作如下:1)提出了基于分割经验搜索矩形和Ada Boost分类的、由粗到精的车标定位方法。该方法在粗定位阶段引入了“分割经验搜索矩形”的方法,将车标的经验搜索区域先分割再通过Ada Boost分类。通过经验搜索矩形对比实验,验证了对于大型车辆和特殊车辆的车标,提出方法具有更好的适应性和更高的整体识别准确率。2)提出了基于相似度支持向量机的卷积神经网络车标识别模型。首先,分析了有向无环图支持向量机分类方法存在不稳定的不足之处,然后利用样本间相似度和类别间相似度,设计了最优的SVM分类网络结构,分析了网络结构的有效性,在此基础上构建基于相似度的支持向量机网络模型,提出了基于相似度支持向量机的卷积神经网络车标识别方法。与一些经典方法进行了对比实验,实验结果表明提出方法相较其他车标识别方法具有训练时间短、整体分类精度高的优点。