车辆属性是车辆识别、标识、检索等相关应用的重要线索,它的内涵丰富,主要标识了车辆本身的属性,如车牌号码、车辆品牌、车身颜色等。针对监控数据中的车辆属性进行识别,既可以从海量数据中提取有用信息,也可以节约数据存储成本。本文以此入手,着重研究监控视频和卡口图像中的车辆属性识别技术,主要采用卷积神经网络技术框架研究了车辆的细粒度车型识别和车身颜色识别;并在此基础上开发了车辆属性识别原型系统。论文创新性在于:提出了基于CNN的车型识别算法。首先通过车辆检测定位车辆区域,再利用CNN网络对车辆进行细粒度车型识别。选取100000余张实际采集的卡口图像数据进行测试,实现了精确识别250类车辆类型,且识别平均准确率达到了99.3%。提出了基于CNN特征聚类、索引和检索的车辆快速标注算法。首先通过车辆的CNN特征聚类获得少量的车型样本并构建索引数据库;然后在索引库中对未标注的车辆进行检索,将返回结果作为车型标注结果。选取32000余张实际采集的卡口图像数据进行测试,车型标注平均准确率达到了90%以上,减少了人工标注的工作量。提出了基于CNN的多任务学习识别算法。通过设计CNN网络结构,实现了在同一个CNN网络中同时识别车型和车身颜色两种车辆属性。选取42000余张实际采集的卡口图像数据进行测试,车型识别和车身颜色识别的平均准确率分别为98.4%和96.7%,同时,算法耗时相对单任务模型减少了一半。