面对货车超限超载新标准的颁布,传统的车型识别方法不再适用于检测站的货车车型识别,亟需设计一种新的适用于超限检测站的车型识别方法。基于图像的车型分类系统的迅速发展,给货车车型识别带来了新的思路,基于神经网络的货车车型识别将会使得车辆检测效率提高并且提升道路通行能力,减少人力成本。根据新标准,本文将道路上常见的9种货车车型进行分类,为了将此系统用于不同的检测站,在多个不同的道路上采集了各类车辆图像信息,再进行整理分类,构建本文的图像数据库。针对在进行车型识别时的图像背景过于繁杂,影响车型识别效果的问题,本文首先进行车辆目标定位检测,本方案是将基于密集采样的特征提取网络与卷积神经网络进行结合,并且分析了几种网络模型在检测中出现的问题以及车型大小和轴距不同的情况,此方案将根据实验数据确定了共享卷积网络的深度,应用难负样本挖掘策略,构成了本文的车辆检测模型。在采集到的车辆图像测试样本中取得了较好的效果,并且与传统的RCNN系列算法进行了对比,相对于传统的网络模型其平均检测率提升了 10%。车辆检测定位后,将车辆标定部分进行裁剪,送入车型分类器中,本文利用深度卷积神经网络模型进行模式识别。为了提高识别率,在设计车型分类网络时,经过大量的实验验证,确定了卷积层数、卷积核大小以及激活函数等具体模型设计细节。并且通过Dropout优化网络,选取学习率使得网络达到最优,利用自建的车辆侧面图像数据库对车型分类网络进行可学习参数微调。本文在自建的数据集上利用上述方法进行了车型识别测试,结果表明:此方法能够有效地在不同场景下获得较高的识别率。针对两种相似车型识别错误的问题,通过调整摄像头拍摄角度,放大相似车轴分布差异,保证车型分类准确性。