复杂的交通环境以及假牌车、套牌车的频繁出现限制了车牌对车辆的标识作用。车辆属性是车辆信息的组成部分,也是判别车辆的重要标准。在车辆诸多属性中,车辆品牌和车辆类型特征细微,类间差异较小,难以区分;作为车辆属性识别的前序工作,车辆检测需要提供车辆图片用于属性识别,不完整的车辆图片容易导致车辆属性识别精度降低;相比传统车辆检测和车辆属性识别方法,基于深度学习的方法在检测和识别精度上有很大提升,但仍存在车辆框选不完整、细粒度特征提取效果差等问题。针对上述问题,本文分别对车辆检测和车辆属性识别方法展开研究:(1)提出了基于自适应先验框的车辆检测方法。通过两层全连接网络对先验值进行回归计算,生成先验框超参数,得到自适应先验框。YOLOv3对自适应先验框坐标值再进行回归计算得到候选框坐标值。本文设计的模型通过两次回归计算提升候选框坐标的预测精度,并截取完整的车辆图片提供给车辆属性识别模型。(2)提出基于注意力机制的车辆属性识别方法。双线性卷积神经网络可以提升特征表现力。根据注意力机制设计注意力建议网络,对特征图进行回归计算得到注意力区域的坐标信息,将截取的注意力区域图片送入新的双线性卷积神经网路模型进行再分类。针对车辆多属性识别的问题,设计多标签分类器。本文设计的模型充分挖掘车辆品牌和车辆类型的细粒度特征,实现车辆属性的精确识别。