随着智慧城市、智慧交通的迅猛发展,产生了海量的交通视频数据。在复杂的交通环境中如何高效的跟踪车辆目标成为了当前亟需解决的问题。传统的目标跟踪方法在精度上有所不足,应用范围受到限制,无法满足新的需求,深度学习的发展为车辆目标跟踪提供了新的思路;同时在目前海量交通视频数据的环境下,传统的单机方法已经不能很好的适用于当下交通视频大数据的情况,人们需要视频数据被高效及时处理,分布式大数据处理框架成为了新的选择。在上述背景下,本文将深度学习与车辆目标跟踪相结合,提出了一种新型分层式的卷积神经网络LCNN(Layered CNN),并以此为基础实现了基于分层式卷积神经网络的车辆目标跟踪算法VTT-LCNN(Vehicle Target Tracking based on Layered CNN)。这种新型的LCNN将传统的CNN分成两层:一层用于学习不同跟踪序列中车辆目标的一般性的特征,另一层学习各个不同跟踪序列中特有的特征。这个方法解决了原有目标跟踪算法精度较低、跟踪目标丢失的不足,提高了车辆目标跟踪的效果,并且在与其他现有的一些目标跟踪方法的对比分析中得到了验证。单机运行本文提出的基于LCNN的车辆目标跟踪算法效率较低,将本文提出的车辆跟踪方法与大数据处理平台Spark相结合,设计实现了并行化的VTT-LCNN算法。在此基础上,从软件工程的角度分析、设计和实现大数据环境下的车辆目标跟踪框架。在自主搭建的小型Spark云平台上的测试,证明了本文所提出的并行化的VTT-LCNN算法和大数据环境下的车辆目标跟踪框架的可行性,测试结果还验证了并行化的VTTLCNN算法能有效的完成车辆目标跟踪任务,并且在Spark云平台上具有良好的性能和可扩展性。