随着我国经济的快速发展,人民生活水平不断得到改善,人们出行时使用的交通工具也呈现了多元化的趋势。越来越多的机动车和非机动车在出行中扮演者重要的角色,随之而来的拥堵也越来越频繁的出现在人们的日常生活中。在城市生活中,电动摩托车的乱停乱放,共享单车的乱停乱放等都会给道路交通带来拥堵的风险。现阶段处理非机动车违停的方法主要是通过人工检查,通过投入大量交通警察和城市管理人员,逐个街道检查并找到违停的现象,从而排除造成拥堵的风险。目前,人工检测存在着诸多缺点,如耗时耗力,无法连续检测,因为疲劳导致误判、漏检等情况。基于深度学习的非机动车违停检测相比于传统的人工检测有如下优势:首先,在整个检测系统中可以通过部署的图像采集设备实时不间断的对相应的街道进行违停检测;其次,在违停检测中,可以实时上报违停的详细信息,一旦发生严重的违停现象,立即向系统发出警告,可供道路执法人员参考。对非机动车违停检测的研究,不仅能及时发现并整改道路中违停现象,更能缓解道路拥堵,进一步改善道路状况。本文主要研究内容为基于深度学习的非机动车违停检测,研究结合了弱监督目标定位与自监督学习等前沿技术。论文的主要工作和创新如下:（1）提出了一种街景图像中非机动车违停现象检测的方法。该方法利用有监督目标检测算法和语义分割算法获取图像中的非机动车目标检测信息和像素级语义信息,来判断街景图像中是否存在着非机动车违停现象。（2）提出了一种改进的自适应注意力增强弱监督定位方法。通过弱监督学习,可以在只提供图像类别标签的情况下进行非机动车目标定位。该方法通过使用自适应校正模块,同时应用空间注意力机制和通道注意力机制,获得了更加准确的目标区域。相比于原本的自适应弱监督定位方法A~3,本章提出的方法能够获取更为完整的目标区域和更高的分类精度,且具有较好的视觉效果。（3）提出了一种基于乐高采样的自监督表示学习算法。通过自监督学习,可以在没有标签的情况下提取图像中内在的特征,并应用在下游非机动车目标检测任务中。该方法首先引入乐高采样策略,通过在原始图像中采样较小补丁以增加样本数量,同时使用较小补丁拼接的图像以维持较少的计算量,其次引入了一个局部细节对比分支来平衡局部细节特征和全局语义特征之间的关系,最后使用多种损失函数共同优化模型。相比于已有的其他自监督学习方法,本文提出的方法能够获取更为全面的全局信息和局部细节,并且在下游线性分类、目标检测等任务中获得更好的分类准确率和检测平均精度,且具有较好的视觉效果。