随着人民物质生活水平的不断提高,汽车保有量的不断增加,私自改装车辆、使用假牌套牌等交通管控问题也日益突出,仅仅以车牌号码作为车辆的标识来处理实际问题已显得捉襟见肘,此时,结合车辆的其他属性来确定车辆的身份信息就显得尤为重要。本文结合深度学习技术实现车辆目标检测、车牌号码识别和车身颜色识别,使用实际交通图像数据集进行测试,取得了良好的测试效果。首先,在车辆目标检测即获取车辆位置与车型信息方面,针对传统目标检测算法存在环境适应性差、结构复杂等问题,本文提出了一种改进的Center Net车辆目标检测模型,该模型以Center Net作为基础网络,一方面利用BFP网络加强模型提取图像特征的能力,另一方面利用Mobile Net网络降低模型参数数量。为了丰富数据集,通过随机翻转、颜色抖动等数据增强方式对数据集进行扩充,采用Adam优化算法在反向传播时为不同的参数进行学习率的自适应性调整,在实际交通数据集上的测试m AP值可达94.5%。其次,在车牌号码识别方面,针对Canny边缘检测算法需要人为设定高低阈值、易产生假边缘等问题,本文利用最大类间方差法自主计算边缘检测所需的高低阈值,以此来提高车牌定位的准确率;针对简单卷积神经网络对字符识别准确率较低的问题,本文在Inception网络结构中加入残差连接从而构建LPRNet字符识别网络。在对LPRNet进行训练时,为了加快网络的收敛速度,结合动量优化训练过程。采用二次训练方法,将识别出现错误的图像与之前的训练集进行合并,在原模型的基础上进一步进行训练,不断提高模型的准确率,在实际交通数据集上的平均识别准确率可达97.3%。最后,在车身颜色识别方面,针对单纯在HSV颜色空间使用颜色量化模板识别准确率较低的问题,本文分别在RGB、HSV和Lab三种颜色空间上构建卷积神经网络,以VGGNet网络为颜色特征提取的基础网络,利用密集连接对VGGNet做出改进,利用Xavier进行参数的均匀初始化操作,以达到使每一层输出的方差尽量相同的目的,在实际交通数据集上的平均识别准确率可达97.04%。