最近几年,我国的机动车保有量逐年增加,因此引发了一系列停车困难、交通拥堵等难题,智能停车系统有效缓解了停车难等问题。现有的停车检测方法采用了多种技术和传感器检测车辆,主要有摄像机、电感线圈和地磁传感器(Magnetic Sensor)等。因为地磁传感器在成本、续航、规模及部署难度等方面的优势,现在许多停车位采用地磁传感器进行车辆检测。然而,现有的地磁停车算法都存在一些缺陷,无法处理磁场基值漂移问题,并且无法应对复杂的停车行为。本论文将深度学习运用到地磁车辆检测问题中,使用地磁传感器检测停车位附近地磁场强度,通过本文提出的地磁场信号采集压缩算法,并使用一维卷积神经网络(Convolutional Neural Networks,CNN)对地磁信号进行分类。所提方法不依赖于磁场基值,所以不会出现基值漂移问题。通过采集大量停车位事件数据,提升模型的性能和鲁棒性,使得模型对大多数的停车或者离开行为正确分类。首先,本文提出了一种基于地磁传感器的信号检测采集压缩方法。其主要思想是:使用地磁传感器检测停车位附近的磁场环境。对采集的磁场强度信号进行滤波,设定一个自适应阈值判断波动态的开始和结束时刻,进而确定一次事件的波动态信号波形,其中阈值会定期根据环境噪声进行更新。对一次波动态内的信号波形,提取出波形的关键点的磁场强度和关键点的时间信息。然后将这些关键点进行差分量化压缩,这样整个地磁终端完成了将原始地磁信号压缩为38字节的压缩信号。最后地磁终端把压缩的地磁信号通过无线传输至服务器做进一步的处理。地磁终端的所有的信号检测采集和压缩算法都通过MALTLAB仿真,确保所提算法的正确性。然后,本文提出了一种基于一维卷积神经网络的地磁信号分类方法。其主要思想是:停车、离开或者其他车辆行为对应的地磁波动态波形中存在许多固有的模式,本文的建模和仿真也支持了这一观点。所以可以使用地磁传感器采集大量地磁波动态数据,并使用摄像头监控每次上传数据对应的车辆行为。当采集大量的地磁数据之后,依据视频监控信息将地磁信号分为停车、离开和其他三种类别,通过人工标注制作成训练样本。本文构造了一个多层一维卷积神经网络对地磁信号进行训练和分类。训练模型的结果表明,基于地磁传感器的信号采集压缩与卷积神经网络的信号分类算法的车辆检测准确率为95.3%。分析表明,所提算法不会依赖磁场基值,因此不会受到基值漂移影响。所提算法验证了地磁信号波形中蕴含了可用于车辆行为分类的信息。并且,在本次实验场景下,所提算法优于传统的自适应阈值检测算法。