卷积神经网络需要把特征矩阵转换成向量才能进行全连接，破坏了特征矩阵中的空间结构信息。针对这个问题，提出了一种基于双向神经网络的图像分类算法。通过对卷积层输出的特征进行矩阵变换并替代原先网络框架中的全连接层，然后进行端到端的训练，从而减少特征空间结构信息的损失。同时提出了一种扩展BP算法，用于求解双向神经网络的学习问题。通过改进CaffeNet，VGG-16模型并在Caltech-256和OxfordFlower-102数据集上进行图像分类对比实验。实验结果表明，在相同的实验条件下双向神经网络算法能有效的提升图像分类的性能。　　本文提出了一种基于运动模型的车辆运动轨迹建模和跟踪滤波方法。通过对连续视频图像上的车辆位置信息进行分析，准确把握当前车辆运动状态，建立准确的车辆运动轨迹模型，预测车辆在下一帧图像中的位置。进而与传统车辆跟踪算法相结合，提升车辆跟踪的准确率。通过在OTB2015车辆数据集和自建数据集上进行两种算法的优化对比实验。实验结果表明，车辆运动轨迹建模方法能显著地提高系统的跟踪性能，在相同的评估条件下，融合了该算法的传统跟踪算法在原来的基础上精确度提升了6到8个百分点，成功率提升了4个百分点。　　本文提出了一种基于孪生(Siamese)网络的车辆跟踪算法。首先设计孪生网络结构，然后使用单支网络在车型分类数据集上进行预训练，最后在跟踪数据集上训练跟踪模型并在自建的测试数据集中进行模型性能验证。实验过程中采取了三种截取方法生成训练数据，并对比了三种方法对模型跟踪性能的影响，选择最优跟踪模型。最终得到的跟踪模型在自建的数据集上精确度为0.9029，成功率为0.8874。实验结果表明，本文提出的车辆跟踪算法在车辆跟踪任务上取得较好的性能。