目標識別是計算機視覺一個重要的研究領域，由此延伸出的車輛型號識別具有重 要的實際應用價值，特別是在當今交通狀況復雜的大城市，智能交通系統(tǒng)成為發(fā)展趨 勢，這離不開對車輛型號進行識別和分類的工作，本文圍繞如何利用計算機視覺的方 法進行車輛型號的識別和分類展開了一系列研究： 本文對當前的目標識別和分類的特征和算法做了總結和歸納。分析比較了作為圖 像特征描述常見的特征算子，總結歸納了他們的提取方法、特征性能以及相互之間的 關聯(lián)。另外，介紹了在目標識別工作中常用的分類方法,闡述了他們各自的原理和工作 方法。研究了深度神經(jīng)網(wǎng)絡的理論依據(jù)，分析比較了深度神經(jīng)網(wǎng)絡不同的特征學習方 法，以及卷積神經(jīng)網(wǎng)絡的訓練方法。分析比較不同特征學習方法的特點選取 k-means 作為本文使用的特征學習方法，利用卷積神經(jīng)網(wǎng)絡結構搭建深度學習模型，進行車輛 車型識別工作。 本文為了測試基于深度學習的車輛型號分類算法的性能在 30 個不同型號共 7158 張圖片上進行實驗；并在相同數(shù)據(jù)上利用改進了的 SIFT 特征匹配的算法進行對比實驗； 進過實驗測試，深度學習方法在進行車型分類的實驗中取得 94%的正確率，并在與 SIFT 匹配實驗結果對比后進一步證實：深度學習的方法能夠應用在車輛型號識別領域