随着交通拥堵的加剧,交通拥堵的问题变得越来越重要。意外交通堵塞的发生主要产生来源为意外事故和意外交通干扰（例如,交通事故,货物散落,停车等）。多项研究表明,交通违法行为是造成交通事故的主要原因。因此,减少交通违法行为可以有效降低交通事故的发生频率。建立交通违法行为自动检测和取证的信息系统尤为迫切。论文主要讨论了以下3点内容:（1）首先介绍了基于特征提取的运动车辆识别算法,而后介绍了基于传统图像处理方法来研究了目前传统方法在检测车辆违法行为时的现状和问题。论文提出了基于方向梯度直方图（HOG）与局部二值模式算法（LBP）特征融合的方法,之后为解决高低层特征融合问题,使用了主成分分析算法（PCA）对HOG特征进行了降维处理,同时论文在最后使用分类器支持向量机（SVM）实现了对运动车辆的识别,实验采用了充足的图片进行训练,经过实验和参数的优化,使识别的精确率Precision和召回率Recall分别达到了96.52%和91.12%,达到了实验设想目标。（2）基于HOG-PCA+LBP级联的优化算法对运动车辆识别的结果,提出了多特征优化的车辆违停检测识别方法,包括道路观测区和车辆检测位置信息的交并比信息,检测框质心距离信息和像素直方图信息三个特征来判断车辆是否存在违停行为。通过该方法的识别得出了较好的实验结果,提高了违停车辆的检测识别准确率,并在实际实验场景中取得了较好的实用价值。（3）最后实验在获取违停车辆之后,论文重点研究了违停车辆车牌的检测识别,首先进行数据的预处理,车牌的定位与校正,车牌字符的分割,之后将车牌字符数据通过优化的深度学习Dense Net分类网络模型进行识别。同时针对于雾霾天气的图像数据,使用暗通道算法进行了去雾处理,提高图像的清晰度。车牌识别则是通过Keras深度学习框架的实验,优化后的Dense Net网络模型在字符识别的精确率上达到了99.25%,证明了论文提出的网络优化方案的可行性以及车牌识别的准确性。