近些年来交通拥堵状况日趋严重,造成不可估量的交通安全威胁、环境污染及严重的经济损失等问题,因此缓解拥堵问题刻不容缓。实时检测高速公路拥堵现象,便于交通部门进行监控,是有效缓解拥堵问题的重要手段。交通拥堵识别算法可以依靠线圈,GPS等方法。如今,许多城市,高速公路都安装着大量的摄像头网络,可以更详细地了解交通流信息。利用这些监控视频通过计算交通流量密度检测交通拥堵,但是这种方法容易受到视频传输质量的影响,并且运算量大,检测延迟长。如今高性能计算机和GPU显卡等硬件条件飞速发展,深度卷积神经网络(Convolutional Neural Networks,CNN)在目标识别、语音识别和自然语言处理等很多问题方面都表现出色,它们可以自动提取图像的本质特征,对不同场景的适用性强,并且检测时间短,识别准确率高。所以本文提出了基于深度卷积神经网络的高速公路图像交通状态分类算法。首先将高速公路图像划分为拥堵,饱和,畅通三个等级,其中拥堵、饱和和畅通三种样本数量分别为10689、9645与10177张。采用Alex Net与VGG16两个经典的CNN模型,评估其在该数据集的分类准确性。VGG16模型在测试集上的精度最高,达到了91.04%,比Alex Net精度高了3.81%。然后,本文从迁移学习和网络结构两个角度对VGG16网络进行了改进。首先是通过Image Net预训练模型并对其应用本文数据集进行微调,比原模型的总体测试精度提高了4.74%。再在其基础上,验证了采用VGG16网络进行特征提取,结合支持向量机(SVM)进行分类的迁移方法。实验结果表明该混合方法可以提高图像的测试速度,而分类精度没有显著变化。最后本文建立了基于改进VGG16的高速拥堵识别算法,改进的VGG16模型在原VGG16模型的基础上,增添瓶颈层和Squeeze and Excitation block(SE Block)来减少参数的数量,降低计算复杂度,同时扩大有效权重响应,提高分类准确率。采用Image Net预训练参数并利用本文数据集进行微调,最终测试精度高达98.04%,比只用微调VGG16方法精度提高了2.26%。本文提出的算法可以有效用于高速公路图像的交通状态识别,算法精度高,识别速度快,可以应用到实际中,减少拥堵造成的人力物力损失。