随着社会经济的不断发展,现如今许多家庭都拥有自己的车辆作为出行时的代步工具,许多人也都会为了生活中不同目的购入各种类型的车辆。这使得车辆的数目在几年间成倍的增加,也使得交通拥挤、交通事故和机动车犯罪率不断增多,各类停车场的管理难度也变得越来越大。为了解决这些棘手的问题,利用基于特征的车辆目标类型检测方法在原始图像中检测出不同类型的车辆的方法来高效解决大规模图像的车辆识别和车辆类型检测的问题。当前在基于特征的目标识别算法中识别速度快且识别效果较好的一种方法就是卷积神经网络(CNN),而其中一种先在图中生成目标物体最可能出现的候选区域后再使用卷积网络提取特征最后训练分类器对候选区域分类的方法(区域卷积神经网络R-CNN)在目标分类识别场景中被广泛使用。本文以R-CNN系列算法中识别速率和识别准确度较好的算法Faster R-CNN为基础,在分析了卷积神经网络不同卷积层输出特征的特点后,首先提出一种将不同卷积层输出特征相结合的方法对网络结构进行改进,接着通过合理利用原始全图的上下文特征以及对目标边界框的优化策略进一步的对Faster R-CNN算法的识别精确度改进提升。最后,先通过对由三种类型车辆(轿车、SUV和面包车)的图像构成的数据集进行训练后,再对改进后的网络模型进行对比实验。实验验证了改进后的车辆识别网络能够有效的识别图像中的轿车、SUV和面包车目标,并在Faster R-CNN算法的基础上提高了识别的精确度。在三种类型车辆识别平均精度(AP,Average Precision)分别为83.2%、79.2%和78.4%,相对于传统Faster R-CNN算法平均提升了1.7%。