随着智能交通的日益发展,城市道路中的车辆逐渐变多,伴随着许多交通事故的发生,为了更好的监控追踪车辆信息,进行车辆识别的工作十分有必要。针对车牌识别已经积累了许多研究工作,但车牌识别中存在套牌车、车牌污损等问题,而车辆颜色作为一种可靠显著的车辆特征,也能够为车辆识别、监控、跟踪等方面提供有用的信息,可以切实解决复杂场景中仅靠车牌识别获取车辆信息的不足。车辆颜色识别是一种根据输入的车辆图像或视频,来确定图像或视频中车辆颜色类别的技术,已被广泛应用于公安执法、车辆追踪等领域。但现实场景中车辆颜色种类繁多,且颜色容易受到外界环境干扰从而造成颜色误差,对车辆颜色识别的准确度有一定影响。针对车辆颜色识别任务中存在的种种问题,本文基于传统的深度学习网络做出改进,提出一套完整的车辆颜色识别流程,以提高车辆颜色识别的准确率。本文首先根据卡口监控拍摄图像自建车辆颜色数据集,并通过采集其他场景中的车身和车脸图像分别作为本文的两个测试集对模型进行测试。然后通过对比几种常用的深度学习网络在本文自建的车辆颜色数据集上的识别性能,借助残差网络的思想,对基础网络进行改进,分别向网络中引入注意力机制以及多尺度卷积操作,实现网络上下文特征良好的融合,使网络能够学习到更丰富的深层语义信息及浅层边缘纹理信息,并更新原始网络中的损失函数以提升网络性能。由于车辆颜色图像是通过卡口摄像头采集到的,非常容易受光照、大雾等外界环境的影响,同时若数据采集设备性能不好,采集到的图像也会存在分辨率低下的问题,数据经过模型训练后,网络分类器会输出所属的颜色类别,而模型存在误分类的情况,针对以上问题,本文首先对数据集中的车辆颜色图像进行预处理工作,然后提出通过转换RGB图像到HSV颜色空间中,统计HSV空间中十类颜色的取值范围,二值化处理车辆图像,统计图像中像素占有面积,根据面积阈值区分颜色种类的方法进行处理。通过对本文提出的车辆颜色识别流程进行实验比对并分析结果可得,本文提出的将残差思想、注意力机制和多尺度特征提取三者结合构成的网络相较于残差网络的识别准确率提高了1.5%左右,并且本文网络的内存占用比残差网络减少了20M,有利于该模型在实际中应用。后续提出的误分类图像处理能通过数量级相差较大的面积阈值区分,为模型识别错误的图像给出合理的解决办法。