随着社会经济的不断发展和机动车辆的不断增加,交通监控变得越来越普及,而过多的机动车辆监控视频则给相关工作人员的视频信息检索处理带来了沉重的负担,因此亟需将车辆、驾驶人员等不同维度的信息从动态视频流中的图像场景中分离和识别,并与视频流按照时间序列关联起来记录在数据库中,从而为视频的快捷索引和查询提供条件。因此,本文将深度学习引入交通监控视频中,并根据交通视频数据的特点,对传统的机器学习算法进行改进,使其在对于真实环境拥有一定的健壮性。首先,本文研究了深度学习中Faster-RCNN算法的基本原理,为了提高其精度,对实验数据集进行了数据增强,同时改进了其特征提取网络的结构,并更新了Faster-RCNN算法的锚点,而为了提升其速度增强实时性,则对其RPN进行了裁剪,最终通过实验证明兼顾了准确性与实时性。其次,在车牌识别方面,本文采用了循环神经网络RNN作为基础,通过融合CNN形成了RCNN,采用空间变换网络使现实场景中的车牌图像更加贴合训练集中处理好的图像,实验证明该方法确实提高了真实监控场景下车牌识别的准确率。最后,在人脸识别方面以主成分分析为基础,由于交通监控视频下拍摄的驾驶员人脸图像存在模糊的现象,因此采用超分辨率重构的方式补充已模糊的图像细节,并对其进行诸如直方图均衡化等预处理方式,经试验证明,确实提高主成分分析对于模糊人脸的识别准确率。