随着科技的飞速发展,中国正在逐步进入创新型国家行列,同时人们生活质量不断提高,人民对于出行的需求也越来越高,因此汽车成为越来越广泛的交通工具,如同手机一般逐渐成为人们日常生活中不可或缺的一部分。近年来,私人汽车的数量不断增加,且其增长的速率远远超过城市道路建设,这一结果引发了一系列的连锁反应。比如,日益严重的交通堵塞、交通事故的多发、假牌套牌车、肇事逃逸、高速公路收费时间过长等使得各城市各地区经济发展以及整个社会的前进受到了较大的阻碍。虽然经过一定时间的研究和发展,我国的车型以及车牌识别技术也达到了一定的高度,能够将车辆大致分为小型车(轿车等类别)、中型车(面包车、SUV等)以及大型车(公交车、卡车、客运车等),能解决较为简单的场景下的车牌识别问题,比如居民小区门禁以及停车场等场景。但对于车辆的具体型号(如奥迪A4L)以及现实场景下车牌的扭曲变形、光照变化以及低分辨率等情况无能为力,不能准确的识别车辆的具体型号以及车牌号码。为了解决这一愈发严重的问题,智能交通系统(ITS)应运而生。其中,细粒度的车型识别以及车牌识别是智能交通系统的重要组成部分。深度学习能自动的提取原始图像数据中的特征,不需要人工依靠经验选取特征,并且自动学习到的特征效果很好,使得其在细粒度的车型识别以及车牌字符识别方面具有很好的应用前景。本文基于深度学习的理论和相关算法,对车辆检测、车型识别、车牌定位和车牌识别展开了研究,最后进行了车辆综合信息检测系统的开发与集成。主要工作如下:1.针对车辆检测这一问题,本文主要使用基于深度学习的目标检测方法对车辆进行检测,并对相应模型进行适应性的修改。该方法解决了判定图像是否包含车辆以及对车辆进行定位两大问题,同时为了使训练得到的模型对现实场景中的图像具有更好的鲁棒性,模型训练数据共计有44000余张标注好的车辆图像,且每一张图像中包含一辆或多辆车。在测试集上进行实验,结果表明该算法对于多目标的检测以及定位准确率为92.79%。2.对于现有车型识别方法其难以精细的识别出车辆的制作厂商、型号以及生产年代等信息这一问题,使用了一种基于深度学习的车型识别方法,同时采用卷积神经网络实现了该方法,接着经过一系列的实验对比选择并改进出了识别效果最好的卷积神经网络结构--InecptionAB-Full,实验的数据有223类车型,共计38998张图像,模型训练的同时进行数据的镜像增强,最终车型识别正确率在测试集提高到了 96.65%。3.在精确定位后的车辆图像上再次使用基于深度学习的目标检测方法对车牌进行定位,同时修改模型部分结构使其更契合于车牌定位。接着对基于数学形态学以及HSV颜色特征的的车牌定位方法进行结合,然后在测试数据集上对两种车牌定位方法进行对比,实验表明基于深度学习的目标检测方法在车牌定位方面具有更好的效果,但比较依赖于GPU加速,不然处理时间较长。4.利用Radon算法对车牌进行倾斜校正,继续采用目标检测的方法,直接对整块车牌进行识别,同时采用常规的车牌识别流程实现了车牌的字符分割、字符识别等算法,最后经过实验对比两种路线的优缺点,为后续的系统集成提供必要的相关信息。5.在前面的研究基础上,使用Python语言进行车辆综合信息检测系统的开发与集成。利用训练好的模型结构,进行系统人机交互界面的设计与开发,同时考虑到CPU与GPU模式以及单数据与多数据处理等问题。最后对本文工作的重点以及车辆综合信息检测系统的集成和开发进行了分析和总结,并指出了系统存在的一些问题以及对后续更进一步的研究计划进行了展望。