汽车保有量的不断增长,给现有的交通管理带来了极大的压力,智能交通系统应运而生。作为智能交通系统的组成部分,车型识别在许多交通场景中起着重要的作用,例如停车场管理、无人收费站、嫌疑车辆识别、车辆型号查询、无人驾驶等,面对不断增长的交通管理的需求,人们对于车型识别准确率的要求也越来越高。根据不同场景应用的需求,车型识别主要分为粗粒度识别与细粒度识别。在粗粒度车型识别中,主要难点在于面向小样本数据集如何达到高准确率,在细粒度车型识别中,主要难点在于有效区分车型之间的类内差异与类间差异。为此,本文从粗粒度车型识别与细粒度车型识别两方面入手,对面向交通场景的车型识别方法展开研究。论文主要工作包括:(1)提出一种面向复杂场景的图像质量提高方法。首先采用编解码全卷积神经网络对图像的前景轮廓进行获取,然后根据轮廓概率图采用局部射线极大值法获得轮廓的单像素,最终获得前景车辆的准确边缘,并对背景采用统一的像素进行覆盖,突出前景区域的特征以便后续的识别,通过实验验证了背景图像去除方法的有效性。(2)针对小样本数据集下粗粒度车型识别精度不高的问题,提出一种两阶段车型识别方法。第一阶段为背景干扰去除阶段,采用经过前景提取的高质量数据集作为训练数据集,在第二阶段提出多尺度特征融合的方法进行数据训练,融合基于迁移学习得到的特征向量以及底层特征算子的特征,采用泛化能力强的支持向量机对车型识别模型进行构建,最终在公开数据集MVVTR上得到90.96%的准确率并优于其他相似方法。(3)针对细粒度分类中类间差异小、类内差异大的问题,提出一种数据增广结合混合卷积模型的方法对细粒度车型识别准确率精度进行提高。通过数据集增广对细粒度车型图像的数据集进行处理,在扩充数据集的同时增加图像类间的差异及缩小类内的差异度,并在扩充后的数据集基础上提出一种混合卷积模型的方法对车型识别的弱分类模型进行集成学习,达到强分类模型的效果,最终在公开数据集Cars196上得到92.21%的准确率。