从交通监控视频中检测车辆是智能道路监控系统的重要任务。目前流行的基于深度学习目标检测方法应用在交通监控视频车辆检测任务上时,基本都把视频帧当做孤立静态的图像,输入神经网络提取特征,最终实现检测,并没有利用到视频帧车辆运动的特征。传统的帧间差分方法,把车辆在视频帧时间序列上蕴含的运动信息转换到图片空间像素上,本文提出了利用帧间差分图做为神经网络输入,把帧间差分图上在空间域的信息用神经网络转换到特征域,并用YOLOv3目标检测框架为基础验证了这一方法的可行性。在YOLOv3网络上,以帧间差分图作为网络输入与原图作为网络输入,车辆检测的效果基本达到同一水平。参考多类型数据做输入,构成多输入神经网络结构做房价回归预测优于单类型数据输入的研究,本论文进一步提出改造网络结构,将原始帧图像和帧间差分图像都输入到网络中,分别构造两个独立骨干网络（backbone）各自提取来自原帧图像的特征和帧间差分图的特征,再把两个主干网络共同连接到一个检测头网络（head）,实验结果显示,以原来单独使用原帧图做输入的结果做为基线相比,精确度（Precision）提高了0.99%,同时召回率（Recall）提高了1.17%。证明了双输入网络通过增加提取帧间差分图特征的分支,可以得到更好的车辆检测结果。由于增加了一个主干网络,网络的检测速度下降,计算开销增大,为了缓解这一问题,同时在之前的改进基础上继续提高网络的检测性能,本论文采用八音卷积替换网络中的普通卷积,重新构建了神经网络结构中的各个模块,实验结果显示,与基线相比,F1最大值增加3.56%,对应Precision提高3.10%,Recall提高4.01%,AP提高2.31%。证明了使用八音卷积替换网络中的普通卷积能够进一步提高检测结果,同时加快了运算速度,达到了实时检测的要求。