利用可见光图像进行车型分类在监控车道、检测套牌车、高速ETC收费、自动驾驶、军事车辆精确打击等应用场景中具有较高研究与实用价值。基于深度卷积神经网络的车型分类方法性能优于其他机器学习方法,是一个重要的研究方向。但多尺度、小样本数据集、嵌入式实时性差等因素会影响传统深度卷积神经网络在车型分类中的应用效果。针对这些问题,本文进行了基于深度卷积神经网络方法、可用于多尺度小样本数据集中、具有一定嵌入式实时性的车型分类方法研究。首先,根据车型分类方法的特点,设计了离线学习训练+嵌入式平台在线识别的总体方案。对车型分类系统中图像快速预处理算法、特征提取方法、分类器、参数更新方法等进行了分析、设计及选用。针对车辆角度不同的问题,选用并设计了小角度随机旋转与随机裁剪的方案;针对光照差异问题,引入数值归一化算法,利用人为设置的均值与标准差对图像亮度进行归一化;针对车辆同一特征在不同图像中尺度不同的情况,提出了多尺度分支卷积特征提取算法,利用不同分支提取不同大小的初始卷积特征;针对学习率选取问题,设计了基于判别损失函数与迭代次数乘积的自适应学习率衰减方法。其次,搭建了车型分类系统的硬件平台。设计并实现了离线训练平台车型分类算法训练与测试软件、嵌入式平台中简化移植模型、用户图形化界面软件、系统电路控制软件。最后,构建了多尺度多角度小样本数据集。利用数据集对本文设计的多尺度小样本车型分类方法进行了性能测试和实验验证。在训练平台上,对200张测试集达到90%的分类正确率。在嵌入式平台上,移植的简化模型在200张测试集上达到86.5%的分类准确率,分类速度达到23张每秒,满足实时性和准确性要求。