近年来,随着车辆的普及,人们对于交通安全的重视程度越来越高,城市道路监控系统应运而生。并且,随着信息化技术的发展,城市道路监控系统逐渐向着自动化,智能化,信息化的方向发展。然而,由于在现实场景下,监控视频的外在环境非常复杂,因此,传统算法很难应对众多环境因素的影响,在实际应用中无法保证鲁棒性。本文在基于神经网络学习理论的基础上,对车辆信息的识别方法做了深入研究,对车辆检测、车型分类、车标识别三种车辆信息的识别提出了可行的解决方法,并通过实验验证了车辆信息识别方法的有效性。本文主要对车辆信息的识别技术做了如下工作:(1)介绍了车辆检测、车型分类和车标识别的原理和研究现状,提出了车辆信息识别系统的结构框架,并做详细阐述;(2)介绍了卷积神经网络理论,并提出了一种改进的基于Fast-RCNN卷积神经网络的车辆检测算法。通过神经网络的强大拟合能力,应对道路监控视频中多种场景下的的车辆检测问题。通过深度学习网络学习得到车辆的卷积特征图,并通过全连接网络最终输出车辆目标的位置及可信程度。此外,本文还给出了暗光条件下的车辆检测算法,用于提高夜晚视频下的车辆检测正确率。(3)针对传统车型分类算法中的不足,本文提出了一种新型的基于自适应聚类的车型分类算法。创新性地提出了车型主特征和弱标签特征,即通过卷积神经网络获得的车型主特征,以及通过极限学习机(ELM)网络获得的车型弱标签特征。最终,将两种特征按比例进行融合,并通过K-means算法聚类,获得车型的特征中心,从而对后续车辆进行车型判别。由于这种方法可以自适应的获取车型特征,因此可以适用于多种类型的场景。(4)给出了车标识别系统的组成结构。提出了一种“由粗到精”逐步定位车标的检测方法。并重点阐述了极限学习机的数学原理和理论模型,采用了基于局部感知野的极限学习机神经网络进行车标识别。并对特征提取滤波器和网络的学习方法进行了改进,提高网络在多种场景下的算法鲁棒性。(5)对算法进行仿真实验,验证算法的可行性和有效性。对算法的优点和不足进行分析,提出改进方案。