随着我国经济的飞速发展和交通等基础设施的进一步完善,各个城市的汽车数量也在快速增长,如何对大量的汽车和复杂的交通情况进行有效的管理已成为管理部门面临的主要挑战。车型识别应用在很多领域,比如智能交通,无人驾驶以及商业应用等。由于车辆种类品牌型号众多,不同型号车辆间差异较小,所以对车型的细粒度识别是十分必要的,其在智慧交通,追踪车辆,拍照识车等方面都有广泛的应用。目前车型的分类方法主要有传统方法与基于深度学习的方法。传统的图像识别方法通常通过人工对图像进行特征提取,再通过分类器进行分类。而随着深度学习技术日益更新,卷积神经网络作为其重要的分支,在图像识别领域得到了非常广泛的应用,也取得了较好的效果,但在细粒度识别方面的应用还有待深入研究。因此,本文研究基于深度卷积神经网络对细粒度车型识别,以提高识别的准确率。本文工作主要体现在以下两个方面:第一,针对普通神经网络特征提取较为单一和网络退化的问题,提出一种基于Inc-Resnet的细粒度车型识别方法。通过采用残差结构来解决随着网络层数加深网络退化的问题,并在其中引入Inception模块,通过并列的不同大小的卷积核分别对车型图像的不同特征进行提取,最后再进行聚合,通过不同大小的感受野来获取不同尺度的特征,进一步提高识别准确率。第一,针对细粒度图像不同类别间差异较小、不同特征间距离较近难以准确识别的问题,提出基于ISC-Resnet的车型识别方法。对损失函数部分进行优化,将softmax交叉熵损失函数和中心损失函数相结合,联合对网络模型进行监督,以提高类内的紧凑性,进而提高类间的分散性,对不同类别进行有效区分,从而在整体上达到提高识别准确率的效果。本文实验采用斯坦福大学车型数据库stanford cars作为数据源,测试集识别准确率为92.3%。实验结果表明,本文方法能够有效地提取车型特征,提升网络的识别准确率。