目前,全球各国对智慧城市的建设越来越重视,而城市管理系统是智慧城市建设的关键一步。在国内,一些城市已将城市管理系统应用于城市管理中,但均是依靠专人对案件进行识别、派发和处理。这使系统运行效率低下同时还浪费了大量的财力物力。因此,针对这一问题,本文深入研究了城市管理案件视频图像目标检测算法,并进一步将目标检测算法融入到城市管理系统中自动识别案件类型,提高城市管理系统的智能化水平,促进城市管理工作高效化。具体的研究内容如下:1)提出了一种车辆违章检测算法,实现机动车和非机动车乱停违章案件的检测,提高了此类案件识别的稳定性。该方法采用同态滤波对样本进行预处理消除了光照等环境因素对识别结果的影响,接着对样本进行ZCA白化处理减少数据间的关联性,并利用改进的卷积神经网络提取样本特征,然后将提取的样本特征送入检测网络中进行检测;最后采用跟踪和运动分析来判断感兴趣区域(ROI)中的非法车辆。通过与Faster R-CNN、SSD、YOLO进行比较,验证该方法的有效性。实验结果表明,该方法具有更强的鲁棒性、更高的检测精度。2)提出了一种基于改进的卷积神经网络的城管案件识别算法,并针对乱涂写乱贴张、非机动车乱停、共享单车乱停、暴露性垃圾、交通护栏破损、雨水算子破损、机动车乱停和井盖破损等八种城市管理案件,进行应用验证,并与传统方法对比,提高了检测准确率和检测效率。该算法首先采用MSRCR算法对样本进行预处理;然后在检测网络的线性卷积层中引入了1×1的卷积,这使网络能够提取样本到更抽象化的非线性特征;最后使用BP神经网络作为评价网络,对检测层提取到的主要物体的相关信息进行评分,得到案件的识别结果。采用Fast R-CNN、Faster R-CNN、YOLO和SSD算法作为对比算法进行实验,实验结果证明该识别算法的鲁棒性、识别精度最好。并且在VOC2007+2012数据集上与100Hz DPM、30Hz DPM、Fast R-CNN、Faster R-CNN、YOLO和SSD等6种算法进行了对比,取得了不错的实验结果,充分说明了改进的卷积神经网络算法的有效性。综上所述,本文将基于深度学习的目标检测算法融入到城市管理中,对于促进城市管理、处理案件效率的提高、人力资源等劳动成本的节约和智慧城市的建设都有着不可或缺的意义。