近年来,随着智能交通系统的快速发展,车辆的定位和识别功能大大提高交通服务质量和管理效率,更减少交通事故发生和确保行驶安全。因为在交通管理中分析车流和监控系统是最为重要的部分,所以大量的研究工作都是围绕车辆识别和检测的。在这篇论文中,我们构建了一个精确的五种车型的识别系统,其中包括:公交车,轿车,SUV、皮卡车和卡车。该系统采用了两种先进的基于深度卷积神经网路的目标识别方法,称YOLOv2和加速R-CNN.所有的模型都在统一创建的车辆图片集上训练和验证。在这项工作中,我们主要针对现有的车辆检测和识别系统的相关理论开展全面系统的研究。并探讨了近年来计算机视觉,图像处理,和深度学习研究进展,尤其强调在目标分类和目标检测方面。我们的工作主要包括以下:(1)用谷歌搜索建立车辆图像集并构建一个深度神经网络模型。(2)对车辆分类问题,我们改进了DNN模型的特征提取部分并微调它。(3)设计一个自动的图像标注系统,实现目标检测模型的训练和在测试集上的验证任务。(4)所有的目标检测模型的效果都和原有的模型平均水平进行对比。实验结果证明,在该数据集上微调的DNN模型能够提高车辆分类的效果。同时,在该数据集上训练和验证的两种目标识别方法也可以得到很好的结果。