车型识别是现代智能交通中重要技术。现有的深度卷积网络已经取得了不错的效果,但目前的类别主要停留在对车辆大体形态的粗粒度分类上,而对车辆的精细分类研究较少,分类的准确率及运算时间等方面也需要进一步提升。本文研究车辆品牌及型号的正确分类,以提高细粒度车型识别的准确率。论文研究了基于深度学习的车型识别方法,选用深度残差网络作为基础分类网络并对之进行改进,将其第二个卷积块引入密集连接,加强网络中不同深度卷积层的特征流动,以提升网络的特征表达能力;同时把随机权重平均、标签平滑引入残差网络中,一方面使得网络收敛平稳且震荡幅度更小,解决权重震荡问题,另一方面加强模型的泛化能力,确保细粒度分类准确率。针对车型识别中不同品牌的车辆因车型相似而识别错误的情况,在ResNet网络模型的基础上设计了一种新型的多尺度的残差模型,增加了网络的宽度和深度,在网络利用密集矩阵的高计算性能的同时又加速网络的收敛,从而达到增强网络提取特征的目的。提出并采用了新的损失函数,设计出粗细双标签,通过粗标签和细标签结合的方式,进一步提升识别准确度。本文通过迁移学习的方法,利用ImageNet数据库中大量数据学习到的知识来优化网络参数,将斯坦福cras-196数据集进行了细粒度标注,划分成训练集和测试集进行模型训练和学习,最终提取到有效特征进行车型分类。两个改进后的网络的准确率分别达到83.7%和87.4%,实验结果表明,本文提出的方法准确率较高,验证了方法的有效性。