机动车检测与识别作为智能交通系统中的核心任务,包含车辆类型识别、车辆颜色识别、车辆品牌识别、车辆检测等子任务。目前大多数解决方案以完成功能为导向,使用现成的深度学习算法依次完成机动车检测与识别的各个功能,忽视了各个任务的性质与其之间的联系。在实际应用过程中这种解决方案使得机动车检测与识别系统存在多个功能模块,导致计算量较大、执行效率低。针对以上问题,本文以研究各个任务属性及其联系为导向,设计机动车检测与识别系统,提出先进行粗粒度属性识别与检测,再进行细粒度属性识别的解决方案框架。首先,针对粗粒度属性识别与检测提出机动车联合检测与识别算法,将机动车颜色与类型信息融合到检测算法中,使用多任务学习框架对机动车的属性识别任务与定位任务建模,在检测的同时完成粗粒度属性识别。进一步地,针对智能交通系统中数据分布不均匀、呈现长尾现象的问题,将多任务学习框架与在线难例挖掘算法相结合,降低该现象给模型优化带来的危害。然后,针对细粒度属性识别特别研究了车辆品牌识别算法,从卷积神经网络模型结构与模型损失函数两个方面设计适用于车辆品牌识别的卷积神经网络模型。使用Inception结构与残差学习模块作为模型基本子结构,并结合中心损失函数提升模型提取细粒度特征的能力。进一步地,为了解决细粒度属性识别测试样本中包含未知类别样本的问题,在品牌识别算法中融合主动学习算法,使得该模型具有辨别未知类别的能力,可以用于获取更新模型的新样本。为了验证本文提出的粗粒度识别与检测算法以及车辆品牌识别算法,本文分别构造道路图像数据集与车辆品牌数据集。在道路图像数据集上,本文提出的机动车联合检测与识别算法检测精度优于SSD与Faster-RCNN检测算法。在车辆品牌数据集上,本文提出的车辆品牌识别算法不仅能够准确识别测试集中的已知类别样本,还能辨别出未知类别样本。除了算法效果的提升,本文提出的机动车检测与识别算法在计算性能上也满足实时处理数据的要求。综上所述,采用本文提出的机动车检测与识别框架,解决了目前解决方案中存在的问题,不仅提升了机动车检测与识别效果,还降低了解决方案计算资源开销,具有实际应用价值。