智能交通系统（Intelligent Transportation System,简称ITS）作为智慧城市建设的重要一环,将多种高科技技术融入到交通诱导等领域中,例如,人工智能技术、传感器技术等。加强车联网（Internet of Vehicles,简称Io V）与用户之间的联系,从而形成安全、高效、节能的综合运输体系。车辆检测,跟踪及预测是智慧交通系统中一个重要研究热点,然而在实际应用的环境中,存在着诸如小目标漏检、目标跟踪丢失及车流量预测精度不佳等情况。为了解决上述问题,本文以道路交通场景中的行驶车辆为研究对象,利用深度学习技术分别对车辆检测、跟踪及车流量预测算法进行了研究和探索。本文的主要研究工作内容如下:（1）基于改进YOLO v3的车辆检测算法研究。针对YOLO v3检测模型在检测车辆过程中产生漏检的问题,提出了改进YOLO v3目标检测算法。首先,在特征提取阶段,通过设计5个尺度特征提高网络对图像浅层信息的学习能力,以实现车辆的精准识别。其次,在目标检测阶段,利用K-means聚类算法优化多尺度先验框以适应车辆的不同尺寸,从精度和速度两个方面对数据集进行检测。与YOLO v3算法对比,结果表明,该方法准确率均值可达到92.21%,误检率低至3.5%,平均检测速率为48FPS/s,在精度和速度方面皆有更好的表现。（2）基于卡尔曼滤波结合匈牙利算法的车辆跟踪匹配算法研究。针对于YOLO v3检测算法在检测目标后容易丢失的问题,提出利用卡尔曼滤波算法结合匈牙利匹配算法来处理跟踪框和检测框之间的匹配关系。将跟踪模型与检测模型相融合,在数据集跟踪序列中进行了对比实验,实验结果表明,相较于单一的检测算法,融入了跟踪算法的检测模型有效抑制了跟踪丢失和漏检现象。（3）基于改进CNN-LSTM预测模型性能优化研究。针对现有预测模型不能充分提取交通流时空特征的问题,提出一种基于改进卷积神经网络（Convolutional Neural Network,简称CNN）和长短时记忆神经网络（Long Short-Term Memory,简称LSTM）的短时交通流预测方法。首先,采用分层提取方法使设计的网络结构和一维卷积核函数自动提取交通流序列的空间特征;其次,优化LSTM网络模块来减少网络对数据的长时间依赖;最后,在端对端模型的训练过程中,引入改进后的自适应矩估计（Rectified Adaptive Moment Estimation,简称RAdam）优化算法,加快权重的拟合并提高网络的输出的准确性和鲁棒性。实验结果表明:在工作日与周末分时段,所提出的模型相比堆栈自编码网络（Stacked Auto-Encoders,简称SAEs）预测模型,性能分别提升3.55%与8.82%,运行时间分别缩减6.2%与6.9%;相比长短时记忆网络-支持向量回归（Long-Short Term Memory-Support Vector Regression,简称LSTM-SVR）预测模型,性能分别提升0.29%与1.79%,运行时间分别缩减9.0%与9.7%。所提模型能够更加适用于不同时段下的短时交通流预测。本文提出的车辆检测和跟踪算法具有一定的普适性,可为其他目标检测和跟踪模型的设计提供参考依据。