随着科学技术的快速发展,中国正处在现代化发展进程的关键阶段,当下对绝大多数中国人来说,汽车也正逐渐超越“交通工具”的范畴,更是人们居家生活中不可或缺的一部分。日益严重的交通拥挤、堵塞现象以及频发的交通事故等已经成为束缚各地区社会进步和经济发展的顽症。对此,智能交通的理念应运而生。其中,车辆的定位及车型识别是智能交通的重要组成部分。自2006年以来,深度学习越来越多地被应用于图像识别以及语音识别等方面,在人脸识别上的效果已经接近甚至超过人类。深度学习不需要人工设计特征,能够很好的拟合输入,使其在车辆的定位及分类识别领域具有广阔的应用前景。本文以国家自然科学基金“面向车联网的道路交通事故链动态演变规律及其阻断方法研究”和交通运输部信息化技术研究项目“道路交通事故链阻断方法及主动安全集成控制系统关键技术研究”为依托,对车辆定位及车型识别展开研究。主要工作如下:1、采用任意缩放检测窗口长宽比例及修改网络损失函数的方法,提出了改进卷积神经网络的深度学习模型,将车辆定位问题拟合为车辆位置的非线性函数回归问题,实现对自然场景图像中任意位置、任意大小的车辆精确定位,实验结果表明当预测位置与标注位置重叠率不小于0.9时,在测试集合上的定位准确率为93.3%。2、融合车辆位置与分类信息,提出了基于多任务深度学习的车辆定位方法。改进并测试了当前三种著名的网络结构,结合平滑L1范数和softmax函数,选出分类正确率最高的MT-GooGleNet,开展实际路口采集图片的车辆定位测试,结果表明在测试集合定位准确率为96.4%。3、针对现有车型识别方法中无法对制造商、类型、年代等综合信息的精细识别,提出了一种基于级联多任务深度学习车型识别方法,去除了复杂背景的影响,并采用图像数据增强以及网络预训练策略,将标准数据库上196个类别的车型识别正确率提高到86.67%,比传统方法提高了约6%。4、采用ImageNet标注方式,自建了一个可供车辆定位研究的标准数据库,该数据库包含四万张有标注信息及分类信息的自然场景下的车辆图片。