随着经济的快速发展,汽车在日常生活中扮演着越来越重要的角色,在给人们带来便携和舒适的同时,也给道路交通带来了很大压力。为解决与日俱增的道路交通安全问题,智能交通系统应运而生。车型识别系统作为智能交通系统的重要组成部分,已经在城市交通流量监控、高速公路自动收费、稽查刑侦等方面得到了广泛的应用,对辅助现有车辆识别系统,加强车辆管理等方面具有重要的意义。本文结合卷积神经网络中的Faster R-CNN网络,对道路监控拍摄的车辆图像进行车辆检测并对车型进行识别,在原Faster R-CNN网络模型的基础上进行改进,提出一种改进的Faster R-CNN模型用于对车辆识别,主要工作如下:(1)针对车辆图像中目标较小,原网络中只对单一层特征图特征提取,特征提取不足,较小目标识别精度较低的问题,提出一种多层特征融合的网络结构,添加反卷积层、归一化层和拼接层,实现低层特征和高层语义的特征融合,提高了特征的表达能力,实验结果显示,优化的模型能够更好的对目标进行识别。(2)针对车辆图像中正负样本分布不均,比例悬殊的问题,提出一种改进的在线困难样本筛选方法。传统的卷积神经网络应对训练样本比例悬殊问题时,模型的识别精度不高,本文使用焦点损失函数对困难样本进行筛选,加强模型对困难样本的特征再学习,进而提高模型的车辆识别精度。(3)针对候选区生成阶段,目标候选框重叠度高,固定阈值存在暴力删除候选区、目标漏检的问题,提出一种柔和的非极大值抑制方法。当候选框与真值框的交并比大于设置的阈值时,通过降低候选框置信度值继续进行对比,能更好的保留候选框,提高了模型的召回率和识别率。为验证改进算法的有效性,在BIT-Vehicle数据集上,通过数据增强技术进行对比实验,实验结果表明,本文提出的改进方法能够在不增加识别时间的前提下,提高模型的检测效果,与传统车辆识别方法相比,本文提出的改进算法,识别时间短,识别精度高,误检率低,能更加准确地对车辆目标进行定位。