随着车辆数量的飞速增加，交通安全变得越来越重要。遵守交通规则是避免交通事故的最有效方法。遵守交通规则，既需要相关人员遵纪守法，也需要主管部门的监督管制。人工监督，要消耗巨大的人力和物力资源。随着信息技术和智能交通的迅速发展，车辆检测识别的自动化和数字化成为交通监管实现智能化进程中必不可少的技术。深度神经网络由于其强大的自学习能力，可以学习到对象的高质量特征，在图像的检测和分类问题上获得了举世瞩目的成功，受到了越来越多国内外学者的关注和重视。本文在研究深度神经网络的基础上，将基于区域的卷积神经网络(R-CNN)应用在车辆的检测识别系统中，并结合到监管公交车专用车道以及公交站台停靠处的车辆行驶情况的应用中去。车辆的检测识别的过程分为车辆的检测定位和分类识别两步。首先对输入的图片进行分割处理得到一定数量的区域图片;其次应用卷积神经网络对区域图片进行特征学习;最后将学习到的区域图片的特征作为线性支持向量机的输入，分类器的最终输出经过处理后得到车辆位置和车辆类别。实验结果显示，我们训练的R-CNN模型在车辆的检测识别实验中取得了不错的准确率，经过后期训练数据的增加和算法的改进，形成的车辆检测识别系统就可以应用到实际交通监督系统中去，以实现对特定场景中车辆行驶情况检测识别和反馈的自动化和数字化。