视频监控作为智能交通系统的重要组成部分,通过全天候不间断的工作,收集着道路交通画面,为道路交通管理者们提供了真实可靠的辅助研判信息,有效的提高了道路管理效率,降低了管理者们的工作压力。与此同时,视频监控的数量及其产生的数据也在激增,不仅对管理者来说难以高效的利用,而且对长时间的存储也带来的巨大压力。种种因素使得这种传统的视频监控数据已经无法满足管理者的日常需求,因此需要一些工具来从这些视频画面中抽丝剥茧,提取有用信息,过滤掉大部分冗余信息。为此,本文首先收集了不同路况和不同天气下监控摄像头录制的真实场景数据,其中有城市道路,高速道路,晴天,雨天,多云,夜晚,拥堵等常见场景。多样化的数据是训练模型的基础,也是检验模型性能的基础。随后开展了高速行驶车辆的实时检测算法研究,并在实时检测及车辆定位精度高的基础上做了联合车辆检测与车辆多属性识别一体化的研究,最后通过这些真实场景下的监控数据来验证了本算法研究的可行性和高效性。高速行驶车辆的实时检测算法研究。首先通过K-means++聚类方法,优化anchor预设值,让网络在训练阶段能更好的适应真实场景下的车辆尺寸变化。然后设计了快速下采样特征提取模块来降低计算量,以执行快速检测;设计了双流-双交叉模块,通过加宽网络和提高特征利用率,以执行特征精细化操作;优化了FPN结构,增强浅层特征的使用率,以执行高精度定位。随后在训练过程中利用可视化的损失函数曲线和mAP曲线来进一步调整网络参数以提高检测精度和定位精度。最后在公开数据上进行了功能测试和性能测试。检测是车辆属性识别的基础工作,有了高精度的车辆定位工作,才有高正确率的属性识别工作。针对现有算法将检测和识别两个任务分开实现的缺点,本文提出了一种实时的检测与识别任务一体化算法。首先通过多任务学习与多标签学习将其多个属性识别任务相结合,属性之间包含了丰富的关联信息,对于检测任务具有辅助作用。随后参考ResNeXt block的设计思路,优化了FVDN中的特征提取器。最终使用类似的配置进行训练,在划分好的测试集上进行功能测试、性能测试及多项消融实验,证明了该算法的可行性。