随着时代的发展和科技的进步,汽车数量发生了指数性增长,交通堵塞、环境污染、交通事故频发等问题也随之而来,在此情形下,智能交通系统的概念被人们提出。车辆部件检测技术是智能交通系统中的一个重要应用,其能够有效的解决车辆盗窃、交通肇事逃逸等车辆犯罪问题;在视频设备的布置成本低、铺设时无位置要求等各项优势下,基于图像的车辆部件检测是目前普遍使用的一种方法。本文提出了一种针对静态图像的基于卷积神经网络的车辆部件检测算法,该算法使用深度卷积神经网络(ZF网络)提取图像的局部特征,避免了人为定义特征的繁琐和低效;采用区域建议网络生成候选区域,大大减少了原来的选择性搜索方法在原始图像上生成候选区域所花费的大量的时间;在使用区域建议网络时,本文利用车辆部件的平均长宽比和面积的统计信息,设定网络输入的初始区域长宽比和缩放系数,满足了实际应用需求。考虑到车辆作为一个整体,其各个部件在图像上的不可分割及位置相对固定的特性,在输出分类结果时,分别提出了基于各个部件的绝对位置高斯分布约束和以车牌为中心位置的相对位置高斯分布约束的分类调整方法,该方法利用了车辆部件的空间位置先验信息,提高了车辆部件检测算法的性能。在以概率模型统计部件空间分布约束的方法上进行了改进,设计了一个角度距离分支网络,该网络通过对车辆部件的空间上下文关系进行学习来提取候选区域的全局特征,结合候选区域的局部特征对其进行位置回归和分类,该网络充分的利用了车辆部件间的上下文关系,得到了一种快速而准确的车辆部件检测算法。