随着全球经济的持续快速增长,世界各国的汽车保有量也持续增长,由此引发了一系列的交通和环境问题。为了应对这些问题,许多国家开始研究智能交通系统。而车辆检测属于智能交通系统比较基础的环节,对于智能交通系统的发展具有重要意义。传统的车辆检测方法如帧间差分法等,检测效果往往不尽如人意。深度学习中的卷积神经网络方法对于目标旋转、位移具有一定的不变性,在许多图像分类和检测应用中展现出优秀的性能。本文将其应用于车辆检测研究,主要完成了以下工作:1)从多个视频场景中采集了多种不同型号、不同外观、从不同角度拍摄的车辆构成正样本集,并采集一些没有车辆存在的图片为负样本集。为了增加分类器对于不同光线条件的适应性以及样本多样性,对原始样本进行了HSV空间明度平移操作。2)与传统的车辆分类算法人为指定特征的方式不同,卷积神经网络模型由于其特殊的结构,可以通过训练网络参数自动提取样本特征。本文设计了一个卷积神经网络车辆分类模型,并且应用反向传播算法进行网络参数的训练。接着,将该模型与检测框合并算法结合,应用于实际场景中进行车辆检测。3)针对某些检测场景中,近处和远处车辆尺寸差异较大的情况,提出多尺寸检测框策略。为适应不同尺寸图像的输入,本文采用了基于空间金字塔池化的卷积神经网络模型。在该模型中,使用了ZF-5模型进行特征提取。在空间金字塔池化获得统一尺寸特征后,采用SVM分类器进行分类。将模型应用于实际场景时,存在同一车辆多次被检测的情况,我们使用非极大值抑制算法进行检测框的筛选。最后,我们分别在训练集和实际场景中验证了两个卷积神经网络模型的性能,获得了较好的分类效果和检测效果。