随着道路上车辆数目的急剧增加,利用套牌、无牌及其他车辆犯罪的案件也随之增加,因此对智能交通系统中车辆信息识别的研究迫在眉睫。车牌识别和车型识别是车辆信息识别中最为关键的技术。由于受天气、复杂背景等因素影响,车牌识别和车型识别面临着一定的困难。本文主要对深度学习理论进行了深入研究,设计了车牌识别网络和车型识别网络模型,并在相应的数据集上进行实验,实验结果表明本文提出的识别模型可提高车牌和车型的识别精度。本文的主要工作如下:车牌识别方面:设计并实现了基于改进LeNet-5网络的车牌字符识别方法。在传统LeNet-5网络模型中改进原部分网络层为Inception-SE模块,用全局平均池化层代替全连接层,并用归一化和正则化操作优化网络结构。在经过图片预处理分割得到的车牌字符数据集上进行实验,与原网络相比,改进后LeNet-5网络的车牌字符识别精度和识别速度明显有很大提高,识别精度可达99.88%。进而探究了SE模块和Dropout的效果,并设计了GUI界面直观反馈模型的识别结果。车型识别方面:设计并实现了基于改进Efficient Net网络的车型识别方法。对EfficientNet网络模型进行合理简化,改进注意力机制SE模块为效果更好的SK模块,并采用Adam优化算法提升网络速度,在BIT-Vehicle数据集上识别分类。相比于原EfficientNet网络和其他车型识别方法,本文改进后的EfficientNet网络有更高的识别精度,识别精度高达96.9%,识别速度也比原网络快了1.87倍。