随着互联网行业和社会经济的飞速发展,城市交通方式更加多种多样,随之而来的是交通情况愈加复杂,城市交通问题愈发突出。依靠传统的车辆监控设施已经无法满足当前城市的交通管制需求。随着深度学习方法在计算机视觉领域的深入发展,涌现了多种多样的车辆检测和跟踪方式,因此对复杂交通场景下的车辆监控亟需进行技术革新。本文着眼于交通路口车辆未按导向车道行驶的问题,开发了一套基于深度学习算法的车辆监控系统,相比于传统的方案该系统对复杂场景具有鲁棒性强,运行速度快,参数量少,准确度高等优点。本文具体工作如下:在DETRAC数据上训练了物体检测算法模型,使用残差网络对SSD主干网进行改进,并通过聚类算法优化了prior box的尺度,接着进行了实验测试。经过验证本文算法相比于SSD算法在参数量、运行速度和准确度上都有提升。为使跟踪模块可以满足实时性要求,在车辆跟踪模块中使用了tracking-by-detection的思路,提出了新的判定相邻帧中同一目标的条件并使用统计的方式说明其合理性。同时在跟踪模块中加入多尺度的KCF算法,使得算法在牺牲很少运行时间的情况下提升了算法的稳定性,并通过5段不同场景下的测试视频对跟踪模块进行了验证。最后给出了未按导向车道行驶的违规行为判定系统的整体设计模型,经过实验测试,本文系统取得了较高的测试准确度,可以满足实际场景下的使用。