随着人民生活水平的不断提高,汽车已经成为人们出行的常用交通工具。伴随着汽车数量的不断增加,交通管控、公共安全问题日显突出,而车辆的图像检测和自动识别是其中重要的环节,所涉及的理论和技术受到越来越多研究者的关注。在实际应用中,车辆的图像检测大都是采用传统方法如光流法、帧间差分法等,检测结果差强人意;而在车辆属性识别方面,多是采用车牌识别方法来识别车辆,但是目前各地假牌、遮挡车牌、套牌车猖獗,为在以汽车为作案工具的案件侦破带来重重阻力,增加了交通及公安部门的侦破压力。传统的仅依靠识别车牌来处理案件已经是捉襟见肘了,故此,识别车辆其他属性就显得尤为重要了。本文在归纳前人研究成果的基础上,提出了两种车辆检测方法,并结合深度学习技术来处理车辆检测和车辆标志识别问题,取得了良好的实际效果。(1)对于车辆这一目标检测问题,提出了两种改进的车辆检测方法,一是基于传统边缘角点检测的SUSAN算法,通过改进该算法的双阈值,即把阈值t和阈值g改进为从原图像中自适应获取法,及结合伪角点剔除方法来检测车辆目标。实验表明,基于改进的SUSAN边缘检算法能有效检测出道路中的车辆目标,且能有效避免道路两边的护栏及草木对提取车辆目标边缘特征带来的影响,具有较高的鲁棒性。二是基于卷积神经网络的Faster-RCNN车辆检测方法,该方法是在RCNN系列检测算法的基础上添加RPN网络,使之与卷积网络的卷积层共享,实现候选框和目标特征的提取,这样能在原有图像中快速精确地检测出道路车辆,并标出目标框。(2)对于车辆标志识别问题,针对在深度卷积神经网络中存在对样本数据需求量大和过拟合问题,提出了一种基于深度迁移学习的车辆标志识别方法。该方法通过在ImageNet数据集上预训练的深度网络VGG-19进行同构空间下的特征迁移;结合改进的模型损失函数Softmax及构建网络的全连接层,并冻结中低层卷积层,利用不同学习率来微调高层卷积层和全连接层参数。在小样本车辆数据集下,实验结果表明该方法能在训练精度与测试精度上有较高的准确识别率,其中测试准确识别率达到了97.73%;解决了小样本数据集训练深度网络的可能性,同时也解决了样本数量不足带来的模型过拟合的问题,达到准确快速识别车辆标识的效果。