1、隨著科學技術的快速發(fā)展，中國正處在現(xiàn)代化發(fā)展進程的關鍵階段，當下對絕大多數(shù)中國人來說，汽車也正逐漸超越“交通工具”的范疇，更是人們居家生活中不可或缺的一部分。日益嚴重的交通擁擠、堵塞現(xiàn)象以及頻發(fā)的交通事故等已經成為束縛各地區(qū)社會進步和經濟發(fā)展的頑癥。對此，智能交通的理念應運而生。其中，車輛的定位及車型識別是智能交通的重要組成部分。自2006年以來，深度學習越來越多地被應用于圖像識別以及語音識別等方面，在人臉識別上的效果已經接近甚至超過人

2、類。深度學習不需要人工設計特征，能夠很好的擬合輸入，使其在車輛的定位及分類識別領域具有廣闊的應用前景。本文以國家自然科學基金“面向車聯(lián)網的道路交通事故鏈動態(tài)演變規(guī)律及其阻斷方法研究”和交通運輸部信息化技術研究項目“道路交通事故鏈阻斷方法及主動安全集成控制系統(tǒng)關鍵技術研究”為依托，對車輛定位及車型識別展開研究。主要工作如下：
　　1、采用任意縮放檢測窗口長寬比例及修改網絡損失函數(shù)的方法，提出了改進卷積神經網絡的深度學習模型，將車輛定

3、位問題擬合為車輛位置的非線性函數(shù)回歸問題，實現(xiàn)對自然場景圖像中任意位置、任意大小的車輛精確定位，實驗結果表明當預測位置與標注位置重疊率不小于0.9時，在測試集合上的定位準確率為93.3％。
　　2、融合車輛位置與分類信息，提出了基于多任務深度學習的車輛定位方法。改進并測試了當前三種著名的網絡結構，結合平滑L1范數(shù)和softmax函數(shù)，選出分類正確率最高的MT-GooGleNet，開展實際路口采集圖片的車輛定位測試，結果表明在測試集

4、合定位準確率為96.4%。
　　3、針對現(xiàn)有車型識別方法中無法對制造商、類型、年代等綜合信息的精細識別，提出了一種基于級聯(lián)多任務深度學習車型識別方法，去除了復雜背景的影響，并采用圖像數(shù)據(jù)增強以及網絡預訓練策略，將標準數(shù)據(jù)庫上196個類別的車型識別正確率提高到86.67%，比傳統(tǒng)方法提高了約6%。
　　4、采用ImageNet標注方式，自建了一個可供車輛定位研究的標準數(shù)據(jù)庫，該數(shù)據(jù)庫包含四萬張有標注信息及分類信息的自然場景下的