随着城市化建设和人工智能技术的发展,智能交通系统在提高道路通行效率以及减少交通事故发生起到关键性的作用,已成为智慧城市建设的必然选择。车型检测和分类作为智能交通系统重要组成部分,为智能交通系统提供了数据支持,不仅方便民众出行,实时掌握交通信息,而且帮助交通警察监督车辆违规行为以及快速追踪到嫌疑车辆,极大缩减警力资源和时间成本。针对传统车型识别算法存在受拍摄距离、光照强度以及天气等影响的多路况车型图像导致识别率低的问题,本文对卷积神经网络及Goog Le Net网络和YOLOv3的网络进行总结和分析,提出了分解卷积神经网络模型和Dense-YOLOv3模型,实现了对不同类型的车辆检测和识别。主要工作集中两个方面:1.针对传统车型识别算法存在受拍摄距离、光照强度以及天气等影响的多路况车型图像导致识别率低的问题,利用深度学习框架Tensor Flow、基于经典的Goog Le Net网络模型,通过调整超参数的权重和偏置值,以及增减网络的宽度和深度,提出了一种分解卷积神经网络模型,实现车型的自动分类。通过用BIT-Vehicle标准车型数据集对模型进行验证,实验结果表明,相较于传统HOG＿BP算法和卷积神经网络模型,分解卷积神经网络对同样难识别车型图像识别率高,其平均准确率达到了96.30%,比普通卷积神经网络算法的精确度高达13%左右,表明了该模型具有一定的优势和实用价值。2.针对传统YOLOv3的网络结构存在曝光过度或光线较暗等异常图片在提取特征时鲁棒性较差,导致车型识别率低下的问题,提出了一种用于交通车辆检测的Dense-YOLOv3模型。该模型集成了密集卷积神经网络Dense Net和YOLOv3网络的特点,加强了卷积层之间的车型特征传播和重复利用,提高了网络的抗过拟合性能;同时,对目标车辆进行了不同尺度的检测,构建了交叉损失函数,实现了车型的多目标检测。经过在BIT-Vehicle标准数据集上对模型进行训练和测试,实验结果表明,基于Dense-YOLOv3车型检测模型平均精度达到了96.57%,召回率为93.30%,表明了该模型对车辆检测的有效性和实用性。