在当今城市化深刻发展的大背景下,随着经济和工业水平的发展,汽车普及率和保有量飞速增加,随之而来的众多问题成为城市面临的重大挑战。为了缓解城市交通压力、缩短阻塞时长、减小交通事故发生频率、改善空气质量,需要建立一种人、车、路和谐、密切配合的智能交通系统(Intelligent Transportation System,简称ITS)。ITS融合了信息通信、数据分析、计算机视觉等多种前沿学科。本文设计实现了一种基于卷积神经网络的车辆识别系统,该系统融合了运动目标检测、细粒度图像识别、多任务学习和分布式架构等多种技术,实现视频车辆的多属性识别,为交通管理提供道路车辆的基础属性信息。论文主要内容安排如下:前两章对本文选题背景和意义,相关理论和关键技术进行简要阐述。第三章讨论了在细粒度车辆多属性识别要求下,一般单任务学习通过分割子任务分别单独训练的方式,不仅耗费时间成本,而且忽略了子任务之间的内在联系。为解决单任务学习遇到的瓶颈,本文提出一种基于多任务卷积神经网络的细粒度车辆属性识别的方法,该方法提出了一种针对车辆多属性的多任务卷积神经网络,通过增加相似性约束,采用联合优化的方式,实现细粒度车辆属性识别。仿真结果表明多任务卷积神经网络不仅减少了对复杂任务训练时间的投入,还考虑各属性之间的相关联系,一定程度上提高了识别准确率。第四章阐述了基于卷积神经网络的车辆识别系统的具体设计和实现过程。首先从系统需求分析和系统功能需求分析入手,设计了系统的总体架构和各个功能模块,并对系统的工作流程和业务流程进行设计。然后按照各个功能模块分别从实现、接口和算法支持角度详细说明了模块的实现。特别地针对运动车辆检测中出现的―鬼影‖现象造成系统资源浪费的问题,利用直方图匹配的方法很好地抑制了―鬼影‖现象,提高系统的资源利用率。通过系统测试系统完成了对于监控视频中车辆的检测识别,满足交通监控的实时性要求,具有实际应用价值。