车型识别系统是城市智能交通系统的重要组成部分。随着数字图像处理、计算机视觉、机器学习等技术的快速发展,基于图像内容的车型识别技术得到广泛关注。目前车型识别技术主要是基于统计分类的,首先需要大量的车辆图像数据集,其次通过特征提取技术获取车辆图像特征信息,最后利用机器学习分类技术对特征信息进行学习分类,进而完成车型识别。在众多基于图像的车型识别算法中,受到多尺度、多角度、复杂背景等多种因素对分类精度的影响,真正可以应用在实际智能交通系统的车型识别技术较少。同时,受雾霾天气的影响,雾霾降质车辆的识别也成为目前车型识别的难点。因此研究如何从复杂环境下准确高效地对车型分类具有非常重要的意义。针对目前基于图像的车型识别的众多影响因素,本文进行了如下内容的研究:(1)采用网络抓取的大量生活车型图像建立数据库,其中车辆背景复杂多变、多角度、多尺度等保证了数据库的多样性,车型类型种类有面包车、皮卡、跑车、小汽车、SUV和货车六种。(2)对雾霾天气下成像的车辆进行清晰化复原,复原方法基于大气散射模型并结合霾粒子散射特性,达到去雾和去霾的双重效果。(3)提出基于卷积神经网络的雾霾环境下车型识别算法,并结合Softmax分类器进行车型分类。采用改进的图像去雾霾算法和基于AlexNet优化的特征提取网络结构,且与近几年出现的车型识别算法,如基于HOG特征、PCA+SIFT特征及其它基于CNN特征等,进行分析比较。通过测试证明,本文提出基于AlexNet改进的车型识别方法无论在晴天还是雾霾环境下,其准确率较其他方法均较高。(4)实现了复杂环境下车型识别系统,系统由车型图像预处理模块和车型分类模块组成,其中车型图像预处理模块使用了本文提到的图像去雾霾算法,车型分类模块使用本文提出的车型识别算法。通过理论与实践相结合的方式,证明了本文算法的有效性及意义。