随着经济快速发展,城市人口和机动车拥有量急剧增长,交通流量日益增大,拥挤堵塞情况日趋严重。为了减轻交通压力,最关键的是要对车流量进行精确统计从而实现合理分流,而想要达到这个目的,车辆的自动检测就成了至关重要的一步。此外,近年来路面监控摄像头大幅增加也为车辆检测提供了硬件条件。因此,对监控视频实时自动检测车辆技术进行深入研究,提高其检测精度,具有重要的现实意义。传统方法对视频监控图像的处理已有长足的发展,但是对背景和光线的干扰,雨雪黑夜等恶劣天气的影响以及视频监控图像中车辆的重叠问题依然效果不佳,而且传统方法的耗时过长无法满足实时性的需求。深度学习技术作为目前最炙手可热的技术之一,已经在很多领域展现出了惊人的能力。使用卷积神经网络来对图像进行检测是深度学习在图像处理上的一大应用。本文对传统的车辆检测方法进行了归纳和总结,针对其不足之处,首次将一种新的基于深度学习的检测算法应用在车辆检测中,重在解决传统方法无法解决的问题。首先,对经典的传统车辆检测算法进行深入研究,详细介绍算法的原理,对比它们在本文复杂场景下的检测结果并分析其各自的优缺点,得出结论它们并不适用于本文所要求的场景,由此提出本文基于深度学习的车辆检测算法。算法单独训练RPN网络和Fast RCNN网络,并对它们进行交替训练实现卷积层共享,以此来构成一个统一的网络实现车辆的检测。其次,对深度学习框架Caffe的特性、搭建环境和复杂的搭建步骤进行详细介绍,分析在Caffe框架上搭建本文算法所使用的网络模型以及网络参数、训练参数的设置。把在晴天、阴天、雨天、雪天、夜晚、车辆重叠六种情况下拍摄的视频转换成20000张样本图片,并对每张图片中的车辆进行标定,得到自制数据集,继而采用梯度下降法对其进行训练,得到车辆检测网络。最后,用六种不同场景下的样本图片分别对本文算法和其他几种算法进行测试,从检测准确率和实时性两个方面对各算法进行总结,并分析它们各自的优缺点。相较于传统的车辆检测算法,本文算法检测准确率更高,实时性更好,对背景、光线、恶劣天气、车辆重叠带来的影响有着极强的针对性。