随着国内汽车数量的日益增加,建立一个高效的交通管理机制迫在眉睫,车辆识别技术应运而生。车标作为车辆的关键特征,包含了车辆制造商信息,又具有难以更换的特点,在识别中发挥辅助判别作用。目前多数的车标识别算法为浅层结构算法,其局限性在于有限计算单元情况下对复杂函数的表示能力有限。深度学习技术通过学习一种深层非线性网络结构,实现复杂函数逼近,并展现了强大学习数据集本质特征的能力。卷积神经网络作为深度学习网络的典型模型,能将特征提取和分类工作相结合,其局部感受野、权重共享和子采样的结构特点,便于发现数据的局部特征,并保持了对于位移、缩放、旋转和其他形式扭曲的不变性。训练样本充足时,卷积神经网络在一些模式识别任务上表现出了优越的性能。但训练样本稀少时,则表现出强烈依赖大样本的特性。因此,研究卷积神经网络的小样本处理策略具有重要意义。本文介绍了人工神经网络和卷积神经网络的基本概念,应用典型的卷积神经网络模型到车标识别任务中。相对于传统的人工提取特征的车标识别技术,本文所提方案拥有自主提取特征,图像可直接输入等特点。并针对卷积神经网络依赖大量数据的特征,提出三种小样本下的处理策略。主要工作如下：1)提出两种基于扰动思想的样本扩充方案。方案一为对小样本进行加噪和几何变换,生成新的样本。方案二为在各类样本的特征子空间上增加扰动,利用扰动后的特征子空间,重建新的样本。2)根据卷积神经网络所具有的层次化和局部感知区域的结构上的特点,考察不同大小的卷积核,以及不同规模的卷积神经网络在小样本下的实验性能。3)提出一种迁移学习的策略。根据不同的图像识别任务中,不相关的数据集经常会出现的一些常用视觉模式和良好的初始状态能使得卷积神经网络性能得到提高的特点,本文利用MNIST手写字符数据集训练出一个卷积神经网络模型,并在此模型上对车标图像进行训练。通过实验可得,卷积神经网络可以很好地应用于车标识别技术中。训练样本数较少时,网络的结构对实验性能存在重要影响。此外,通过样本扩充、迁移学习的方法可以提高实验性能。