近年来,车外抛物问题越来越受到社会各界的关注。车外抛物这种不文明现象给交警部门以及市政部门及时清扫带来巨大挑战。如何有效地解决车外抛物问题已成为交警和市政部门亟待解决的问题。尽管深度学习的研究已经取得了很大的成就,并已广泛应用于各种场景（如:车牌识别和交通流量预测）,但仍有许多问题尚未完全解决。例如,如何及时有效地检测出交通领域内车外抛物的问题仍然是一个亟待解决的问题。一般来说,传统的方法（如:支持向量机）在鲁棒性和准确性方面通常不能达到令人满意的性能。众所周知,深度学习系统的强大力量极大地推动了人工智能的发展。因此,本研究试图利用典型的深度学习系统—残差神经网络,在适度的时间内有效地检测实时交通监控视频中的车外抛物行为。在本研究中,我们提出了一种新的深度模型（Nov-Res Net-20）,该模型通过实时目标识别和基于残差网络的跟踪技术来有效地检测车外抛物行为。此外,我们还将著名的YOLO（You Only Look One）模型应用于车外抛物行为的检测。我们的贡献可以概括为:1)首先,受著名的VGG-16的启发,我们提出了一种由6个卷积层和7个残留层组成的20层深度残差神经网络,命名为Nov-Res Net-20,由6个卷积层和7个残差层组成。其次,由于没有包含车外抛物的开放数据集,我们准备了一个由224×224大小的1000个样本组成的车外抛出物数据集,用于评估我们提出的Nov-Res Net-20和其他比较方法的性能。最后,实验结果表明,与VGG-16、VGG-19、Res Net-50和极限学习机（ELM）相比,Nov-Res Net-20的测试准确率最高,达到94.3%。此外,我们的实验结果也表明,Nov-Res Net-20在交通监控视频中具有很好的车外抛物检测能力。2)虽然YOLO在实时检测方面取得了巨大的成功,但据我们所知,目前还没有任何工作将YOLO用于交通车外抛物检测。因此,我们将YOLO模型应用于交通监控视频中的TWV行为检测,以获得更好的检测性能。此外,我们将先前提出的车外抛物数据集从1000个扩展到3348个样本,以充分测试YOLO的检测能力。在扩展数据集上的实验结果表明,YOLO取得了令人满意的测试精度、召回率和检测速度。