随着生活水平的不断提高,人们对交通工具的需求日益增加。各类交通工具的增加,不仅带动了经济的发展,还极大方便了人们的出行,但随之而来的各类交通安全、堵塞问题成为社会矛盾的焦点。基于上述背景,通过建立智能交通系统（ITS）是解决以上社会问题行之有效的办法。而随着人工智能等技术的发展,为我们提供了更好解决ITS关键技术中数据获取以及数据处理的手段。当前,伴随着在ITS中机器视觉和深度学习技术不断深入研究和应用,作为ITS中保障和管控车辆最简洁有效的手段,车牌信息识别技术和交通信息检测识别技术受到广泛的研究。本文分别对ITS中的车牌信息识别技术和交通信息检测识别技术进行了研究。首先,本文以研究内容相关技术理论为基础,以深度学习模型框架为切入点,对深度学习模型的构建和训练进行了深入的分析,进而为后续算法模型改进提出指导性思路和理论储备。其次,通过对深度学习框架分析,在车牌信息识别系统部分,以系统功能需求为依托,以系统软件设计思路为主线,以软件实现结果为目标,对软件模块进行布局和设计,进而实现对于改进车牌字符识别算法的研究。起先对车牌图像进行预处理操作,通过采用颜色信息与边缘信息相结合的车牌定位算法对预处理车牌图像进行定位,并且采用改进的基于垂直投影车牌字符分割算法对定位后的车牌字符进行分割。然后重点对传统车牌字符识别算法和基于深度学习车牌字符识别算法进行分析。由于深度学习算法在识别准确率以及鲁棒性等方面优势更加明显,因此本文采用基于改进的Le Net-5车牌字符识别算法,对分割的车牌字符进行识别。最终经过分析和测试,满足系统应用需求。最后,通过对基于深度学习车牌字符识别算法的研究,累积了深度学习模型构建和训练的经验。在交通信息检测识别系统部分,由于传统检测识别算法分别对其识别的车道线和交通标志单独处理,所以本文通过采用深度学习算法将车道线和交通标志同时进行检测识别。针对YOLOv3网络模型能够用于多类目标检测与识别这一特性,在Tiny-YOLOv3模型的基础上,利用清华-腾讯100K中国交通信息数据库,通过采用基于改进的Tiny-YOLOv3结构网络算法对交通信息检测识别。实验分析结果表明,该改进算法对于包含有车道线和交通标志的多类目标交通信息检测识别有效。