近年来,汽车数量的急剧增多,为人们的出行提供了方便,同时也造成了交通拥堵、停车困难等一系列的交通问题。随着智能交通系统的快速发展,国家鼓励开展“立体化社会治安防控系统”、“智慧城市”、“平安城市”等交通科技强警项目,车型识别技术是交通科技强警项目的核心,因此,研究高效的车型识别分类模型意义重大。传统的车型识别只能识别车辆大体型号,对于精细型号的识别研究还比较少,准确率也不理想,故基于深度卷积神经网络的车型识别技术成为目前的研究热点。该技术通过统计卡口交通流信息,利用深度卷积神经网络进行自主学习车辆特征,实现车型的准确识别。车型的准确识别对打击套牌车和违法嫌疑车辆排查起到重要作用,对道路交通安全具有重要意义。本文采用基于深度卷积神经网络模型的车型识别方案实现车型的识别。首先,介绍车型识别技术的基本理论及数据库的构建:介绍车型识别技术的基本原理,详细分析卷积神经网络的结构,介绍caffe深度学习框架的特性和搭建流程,完成caffe环境的搭建;选取青岛市卡口的车辆图片,建立包括2000类精细车型的数据库,每类含有1000张车辆图片,统一以车辆品牌-子品牌-年款的格式来命名（如jeep_自由客₂0122014、奥迪_S7₂0132014、宝马_X5₂014等）,利用样本对比的筛选方法,完成精细车型数据库的填充,实现了车辆品牌、子品牌、年款的任意特征组合,使车型识别技术应用的平台检索要素更多样、目标更精准。其次,介绍基于特征提取的车型识别算法,在本文建立的精细车型数据库上寻得算法的最优参数:SIFI特征维度为20,LBP特征维度为30,HOG特征bin为5,block为8。运用SIFI、LBP及HOG特征,结合SVM分类器进行车型识别测试,对3种算法的性能对比和测试结果进行分析。结果显示:HOG特征车型识别效果较好。通过方案比选,建立基于深度卷积神经网络的精细车型识别技术方案,从网络层数、迭代次数、学习效率、激活函数四个方面对深度卷积神经网络模型进行优化,确定最优模型:卷积神经网络层数为5,最大迭代次数设置为30000,学习率设置为0.001,卷积层和下采样使用的激活函数分别为ReLu函数和sigmoid函数。提出了一种新的分类方法:基于Softmax全连接层进行分类,并证明该方法的识别效果优劣。最后,分析深度卷积神经网络模型的识别测试结果:将网络模型的测试结果与 SIFI-based、LBP-based、HOG-based、CNN+SVM-based 算法进行识别效果对比,结果表明:本文提出的深度卷积神经网络模型识别效果最佳,精细车型的识别精度达到了 89.23%。