目前,绝大多数智能交通系统都是通过车牌对视频中的车辆行为进行监管。但在复杂道路背景中车牌易被遮挡,摄像头质量差、光线不好易导致车牌不清晰,甚至套牌无牌的情况下,无法进行车牌识别,此时通过车辆外观来进行车辆检索是一个重要的研究方向。区分两辆相同颜色、型号的车辆依赖于车身细节,然而对于交通肇事、犯罪嫌疑车辆,交通部门或者公安机关往往只有一些相对模糊的照片,或者目击证人关于车辆外观型号的一些语义描述,很难通过机器直接找到目标车辆。在这种情况下可以利用车辆品牌型号来搜索监控视频中的相似车辆,减小搜索范围,为人工排查提供方向性信息。因此,本文设计与实现了基于车辆属性信息的视频车辆检索系统,在车辆检测的基础上通过车牌或者车辆品牌型号等车辆属性信息检索视频中的目标车辆。主要工作包括:1)针对车牌变形、字符粘连导致车牌字符分割不准确进而导致字符错误识别的问题,使用多输出神经网络对整块车牌区域同时识别出七个字符。在本文构建的车牌数据集上进行训练,并在SYSU车牌数据集上进行测试,结果显示车牌字符识别准确率为96.7%,检测时间可以达到实时性要求。2)针对多角度细粒度车型分类的类内差异超过类间差异、不易区分的问题,在研究细粒度图像分类的基础上对网络模型进行改进,提出了基于多分支外积的Inception V3B-CNN。首先,在三个CNN模型上执行基于微调与直接训练的方法,实验结果表明基于微调的Inception V3方法效果最佳。其次,将基于微调的Inception V3作为B-CNN的特征提取器,对它的最后一个inception模块的六个分支分别使用特征外积后再进行特征拼接,在减少网络参数的同时也能够获得更多的细粒度组合特征。最后,本文方法在431个类别的Comp Cars数据集上实现了96.72%的准确性,检测速度为45ms/帧。3)设计并实现了基于车辆属性信息的视频车辆检索系统。针对复杂视频背景会对车牌和车型识别造成干扰的问题,将Yolo V3算法应用在车辆检测上,将检测到的车辆区域图片输入到上述车牌识别或者细粒度车型分类模型中,得到车牌或者车型等语义特征后与搜索条件进行文字匹配,进而检索到目标车辆。在实际场景中对其进行测试评估,结果表明系统达到了预期的要求。