车标识别是计算机视觉中一个重要的研究领域,在智能交通领域有着广泛而重要的作用。车标识别技术是指以数字图像或视频信号流为对象,通过图像处理与自动识别方法,获得机动车辆品牌信息的一种实用技术。车标识别系统包括车标的定位和车标识别二项关键技术。由于车标本身具有的多样性以及不同环境条件下的差异性等特点,加上人为拍摄获得的图片信息中车标的位置不确定性,因此找到一种优秀的车标定位和识别方法一个多学科交叉且富有挑战性的技术问题。本论文,在车标定位方面,实现了一种由粗定位到细定位的车标精确定位方法。在车标识别方面,结合近年深度学习中的CNN(卷积神经网络)训练车标特征并分类,实验获得较高的识别率。接着将传统K最邻近算法结合深度卷积网络提取的特征,对车标定位进行改进,达到了96.4%的识别正确率。最后,提出了基于Selective Search(选择性搜索)和SPP-net(空间金字塔池化网络)的车标快速检测和识别方法,流程较为简单和高效。本文主要工作如下:1)实现了一种由粗定位到细定位的车标精确定位方法,然后提出一种基于卷积神经网络的车标识别。建立并训练车标识别的卷积神经网络,调整参数,直到最优。经过试验的测试,证明了该方法具有较好的识别率和鲁棒性。2)提出了一种基于K邻近算法的车标识别改进方法,在卷积神经网络提取的特征的前提下,利用传统的K邻近算法,对车标识别进行改进,提高了识别准确率。而且在遇到新标签时,对不重新训练的网络的推广性进行了验证。3)提出了一种基于Selective Search和SPP-net的车标快速检测和识别方法。该方法较传统的方法,流程较为简单和高效,经过试验验证,具有较好的检测率和识别率。