随着我国汽车保有量的飞速增长与视频监控技术的广泛应用，细粒度车型识别作为智能交通系统的关键组成部分，受到国内外研究者的广泛关注。细粒度车型图像种类之间特征差异小，外观表现形式多样。同时，图像中包含的环境、光照、噪声等因素容易对特征的提取和识别造成干扰。因此，在复杂背景下精细识别汽车品牌型号面临更多难题。不同于传统方法依靠人工设计特征，卷积神经网络(CNN)包含成千上万的参数，以数据驱动的方式自主训练，具有更强的特征提取和表征能力。本文以复杂背景下的细粒度车型为分类对象，开展了基于深度卷积神经网络(DCNN)的识别研究。完成的主要工作如下：
　　采用批量标准化、梯度下降加速算法和损失函数来优化深度卷积神经网络。深入研究卷积神经网络的结构、特点和训练过程，构建了一个十层的细粒度车型识别网络和一个包含27种相近车型的数据库。同时，从三个方面展开深度卷积神经网络的优化，并验证优化策略的可行性：通过批量标准化，使数据分布服从标准正态分布，避免内部数据的传递偏移，降低了网络训练的复杂性；采用加速优化算法，避免梯度下降陷入局部最优，使得实际输出更接近真实值；通过对比分析均方差损失、指数损失和交叉熵损失对网络训练效果的影响，选择合适的目标函数，提高网络的收敛速度。
　　在ReLU函数的负输入部分增添含有可自适应学习参数的表达式，使激活具有负值输出，提高了深度卷积神经网络对负输入的表征能力。改进得到的EPReLU函数使各激活层的单元平均激活值更接近于零，有效减少了数据的层间传递偏移，加速了网络的收敛。识别27种细粒度车型，使用该函数的DCNN达到了98.14%的准确率。
　　结合支持向量机(SVM)改进DCNN的Softmax层，避免了以最小化风险为目标所导致的过拟合。采用DCNN作为最初的车型识别训练模型，当训练准确率达到识别阈值后，提取其中的FC1层特征，输入SVM完成进一步训练。这样既保持了DCNN的特征提取优势，同时又避免了Softmax对已经正确分类样本的过度训练。在复杂背景下的细粒度车型识别中，通过可视化DCNN的输出特征图与卷积核权重，更加形象说明DCNN的特征学习能力。相比于SVM、BoF和未经改进的DCNN三种识别方法，Softmax-SVM对精细车型的识别精度分别提升了54.04%、10.19%和2.27%,达到了97.78%。在用时方面，Softmax-SVM只有DCNN所耗时间的31%。