公路货车称重计费的计费方式易造成拥堵,随着交通强国建设的推进,为提升道路服务水平,交通运输部自2020年改为按货车车型进行计费。传统的公路货车车型识别主要有两种方法:一种是在道路面层埋置便携式磁带开关或压电电缆进行车轴数统计,需破除路面层安装维护,严重影响通行效率;另一种则通过高精度的光栅传感器或激光传感器检测进行轴数统计,其受灰尘、积水等影响较大。随着深度学习在目标检测方向的发展,本文提出利用目标检测方法对公路货车及其车轴进行识别,进而识别公路货车车型,此方法利用道路现有摄像资源,方便实施部署,具有很高的研究价值,具体研究内容如下:（1）通过两种方法采集车辆侧面图像建立货车侧方图像数据集作为研究基础,一种是利用现有路旁摄像资源在不同的道路条件下拍摄的货车侧方图像,另一种是从互联网上爬取货车侧方图像,共得到16403张图像,可以满足实际应用时的输入图像多尺度的要求,提升检测模型的鲁棒性。针对数据集中部分图像受光照天气影响较大的问题,采用了基于Retinex理论与CLAHE等视觉增强方法对图像进行预处理。之后利用标注工具对图片进行标注,输出为Pascal VOC格式,满足目标识别数据集的数量与格式要求。（2）对深度学习在图像领域的应用进行了研究,主要研究了卷积神经网络、单级识别网络YOLO与两级识别网络Faster rcnn等算法。通过理论分析,YOLO较Faster rcnn将分类与回归问题统一为回归问题,减少了模型参数,加快前向传播速度,有助于检测速度的提升。并设计了实验进行对比,实验结果表明,Faster rcnn较YOLOv3检测精度更高,且预测框位置信息更为准确,但检测速度较低,无法满足实时性要求。因此本文选择以YOLOv3作为车型识别网络的框架,并对其做了进一步优化研究。（3）本文从三个方面对YOLOv3网络结构进行优化以提升其检测精确度。首先,通过无监督聚类得到数据集先验框的大小,以调整模型先验框尺寸;其次,对数据集分辨率进行分析,由于数据集中图像分辨率较高,输入网络后会丢失部分细节信息,因此加大了网络输入尺寸;最后,引入通道间注意力模块优化网络模型,提高含有目标特征通道的权重。通过以上改进使得目标检测精确度由原先的79.2%提升至94.4%。（4）研究了单帧图像含有多货车条件下轮轴与货车间的隶属关系判定问题,提出利用轮轴中心点与货车预测框的位置信息进行判定。经实验,此方法很好地解决公路货车车型判定问题。此外,结合具体应用场景对公路货车车型识别系统进行了设计开发。本文提出的基于深度学习的公路货车车型识别方法,在自建数据集上取得了较好实验效果,实时检测速度47帧/每秒的情况下,精确度可达94.4%。此方法为公路货车车型识别提供了新的手段,符合智慧交通系统的建设需要,可显著降低道路运营成本,进一步提升道路服务水平。