随着社会经济水平的提高,城市汽车保有量不断攀升,由此带来的城市管理以及环境问题也日益加剧。作为智能交通系统的关键技术,基于视觉的车辆细粒度分类技术不仅能够有效辅助解决车辆盗窃、警侦追踪等社会问题,同时对目前大数据应用趋势下的商业系统也有着重要的意义。现有的基于深度学习的车辆细粒度分类方案主要采用级联网络的方法对目标进行定位和识别,并且大多需要较为复杂的标注信息。相比传统手工设计特征的方法,多层卷积网络在提取高层次语义特征上有着很大的优势,同时多任务学习理论也证明了面向不同任务的卷积网络可以共享前端卷积层,因此本文改进了基于深度学习的卷积神经网络框架,在一个网络中同时完成目标定位和分类,并且通过设计多任务损失函数实现了整个网络的端到端可训练,整个训练过程只需要目标类别和整体位置标注信息。本文主要完成以下工作:1、为了充分利用目标的上下文信息,本文在单次检测器(SSD)中添加全局特征模块,组建新的全局目标检测网络(GSSD-Net)。实验数据表明全局特征模块可以在不明显增加计算时间的情况下提高检测框架的定位精度。2、本文构建了同时定位与细分类框架(SLAFC),把GSSD-Net作为目标定位模块,并设计多层次卷积网络作为细分类模块,同时通过计算结果复用的方式实现了不同任务之间共享底层卷积计算。新的框架相对传统级联网络更有效率,并且提高了分类的准确率,在Compcars数据集上的正确率为93.3%。