我国的高速公路网日趋庞大与复杂。若要实现对其协同、高效且安全的管理,必然需要推动智能交通系统的发展。车型目标检测技术作为智能交通系统的核心研究内容之一,为最大化交通基础设施效能发挥了重要作用。作为影响车型检测技术的关键因素,车型分类标准在2020年有了新的政策指导。基于交通运输部新版《收费公路车辆通行费车型分类》标准,高速公路通行车辆被精细分类为16个类别,远多于传统车型识别的分类数量,导致现有车型分类数据集无法满足当前车型识别需求。此外,随着车型识别任务的应用场景发生改变,其算法模型易产生精度骤降、耗时激增的痛点问题依然广泛存在。本文围绕我国高速公路车型检测在数据维度以及算法维度上面临的挑战性问题展开研究工作。论文工作内容分述如下:1)基于最新出台的分类标准,本文构建了大规模高速公路场景车型数据集（Largescale highway vehicle dataset,LHVD）,旨在解决数据集缺乏导致的训练/测试难题。数据采集于国内高速公路,共包含12968张图片、54814个目标物体,且覆盖多种路况与天气场景。此外,本文结合单样本与多样本数据增强技术进一步提高了数据集的多样性。通过大量相关实验,文章进一步探究了数据集中的各类车型的特点及高速公路场景的检测难点,以供后续研究与针对性优化参考。2)针对高速公路场景的固有难题以及交通部新标带来的检测挑战,本文提出了基于精细分类标准的高速车型检测网络:通过设计并引入Bo T-C3模块增强网络的特征提取能力,提高其对远处及遮挡目标的检测精度;针对因分类标准精细、类别间的高度相似产生的检测框冗余问题,本文对类别损失函数进行了适应性改进;同时,通过增加检测头数量缓解了车辆尺度剧烈变化带来的检测性能下降问题。实验表明,本文提出的检测网络在LHVD数据集上可达到97.3%的检测精度,较之基准网络精度提高2%。且在面临多变的天气场景以及不同路况时,该检测网络能够提供更为稳定可靠的检测成果。