近年来,我国的机动车保有量爆炸式增长,随之而来的是巨大的交通压力。为了减轻交通压力,提升道路交通效率,智能交通系统应运而生。而车型识别作为智能交通系统的一个重要组成部分,具有不可替代的作用。快速准确的进行车型识别,对于智能交通系统的建设具有十分重要的意义。本文采用基于卡口系统抓拍的卡口图像进行车型识别,并使用主机+FPGA架构实现了车型识别算法。首先,使用卡口系统抓拍的图像建立了卡口图像数据集;然后,在物体识别网络的基础上,针对车型识别问题进行了网络结构的优化,并利用卡口图像数据集对模型进行训练。同时,在模型设计过程中,为了实现的方便,本文所有的卷积窗口和池化窗口的窗口尺寸以及滑动步长都保持了一致。使用训练完成后的模型进行车型识别,在卡口图像数据集上取得了较好的识别结果。接着,考虑到FPGA中实现卷积网络中的浮点运算成本较高并且卷积神经网络的参数量巨大,本文提出了一种不影响识别精度的权重归一化方法,并在此基础上对我们的车型识别网络进行了定点化处理,从而将浮点运算转化为定点运算,降低了计算的复杂度的同时压缩了数据量。实验证明,使用相同的压缩比,归一化权重可以降低定点化造成的算法精度损失。最后为了充分利用卷积神经网络的并行性,本文改进了可配置的卷积层并行计算结构,将卷积神经网络按层划分,使用FPGA进行单层网络的并行计算,主机负责运算控制以及其他计算操作。实验结果表明,本文的实现方式在处理速度和功耗上相较于CPU实现有较大提升。