汽车业的快速发展给我们的生活带来了巨大的便利,同时也带来了很多问题,如交通堵塞、盗抢机动车辆、利用机动车辆犯罪等等。通过现有技术自动识别车辆车型可以对该类问题快速反应,加快解决效率。车辆特征学习是车型识别的重要环节,而有效地提取和描述车辆图像的特征信息、建立有效的车型识别模型和理论框架以及高效地应对大规模车辆图像的实时识别处理,是车辆特征学习与车型识别研究的关键。本文对车辆图像的本质特征进行了深入学习研究,构建了相应的车型识别框架,主要研究内容如下:1、研究分析了车辆图像的传统特征性能,构建了基于传统特征的车型识别框架。对目前广泛使用的底层特征算子SIFT、HOG、LBP进行了研究学习,并在其基础上提取了车辆图像的中层特征BOF、FV、VLAD。通过车型识别实验表明,传统特征算子的表现力并不理想。2、研究分析了车辆图像的深度融合特征,构建了基于深度融合特征的车型识别框架。对近几年最为经典的深度网络框架的构成原理和设计思路进行了深入分析和研究,针对现有深层网络的不足,对GoogLeNet的Inception模块进行了进一步分解,并尝试将Inception模块和ResNet进行融合,构建了基于深度融合特征的车型识别框架。通过车型识别实验表明,深度融合特征是有效的,提升了车型识别的识别率。3、研究分析了车辆图像的深度稠密特征,探索车辆图像更为本质的特征表达。针对现有深层次网络难以训练的问题,基于ResNet的残差连接思路进行了深度稠密特征学习,同时将中心损失函数融入网络构建了车型识别框架。实验结果表明深度稠密特征更为紧凑,网络的参数量变少,且进一步提升了车型识别的识别率。