车标识别能够获取车辆的品牌信息,而目标检测是用来解决图像定位与分类的综合性问题,因此,本文将目标检测与车标识别相结合,以便于能够快速识别车标的信息。然而传统的目标检测算法需要手动提取特征,训练过程繁琐,检测速度较慢,且大多是特征提取效果不够好的浅层神经网络。YOLOv4是一种单阶段的快速目标检测算法,具有较高的检测精度与速度,因此,本文通过阐述车标识别的研究现状,分析卷积神经网络与目标检测技术的相关原理、方法与评价指标,并结合车标识别的应用场景,对YOLOv4算法的输入端、多尺度特征融合网络、输出端进行改进,提出了车标检测算法VDNet,主要研究与改进工作如下:（1）在输入端,通过对锚框机制的分析,使用K-means++替换掉原K-means作为新的锚框计算方法,以实现更精准的锚框选择。同时设计了自适应的图像增强策略来优化训练策略,提高了检测的速率。（2）针对检测中的多尺度问题,对原PANet进行改进,提出了基于Bi FPN的车标特征融合网络,并引用权重的概念,使得网络在基本不增加成本的同时融合更多的特征,使得网络对各尺度的目标都有较好的检测效果。（3）在输出端,一方面基于对原损失函数CIOU Loss的分析,引入EIOU Loss作为新的损失函数,以此优化边界框回归任务中的样本不平衡问题;另一方面通过基于加权的NMS方法,并用DIOU替代原IOU作为新的加权因子来优化多余框的剔除策略,提高了检测的精准度。本文基于改进的VDNet算法,通过自创建车标数据集并基于经典算法、原算法以及改进算法进行多组实验验证。实验结果表明,VDNet算法在车标识别中的训练速度、检测速度、精确率上都有所提升,取得了速度与精度的优良平衡。最后本文基于VDNet并对车标识别的需求进行分析,设计开发了车标识别软件,该软件能够进行实时的车标信息获取,并部署到其他交通系统中,具有很强的实用意义。