车辆检测与识别技术能够为公安部门交通管理提供极其显著的帮助。近年来,基于深度学习的目标检测与识别技术已经成为国内外学者的主要研究方向,并取得了巨大进步。但是在检测识别的速度及精度方面仍存在一定不足,进而导致其可应用性受限。本文对深度学习模型训练时存在的模型参数冗余、弱光环境下图像细节特征提取困难、相似车辆识别错误率高等问题,针对现有方法的不足,提出了多种有效的优化理论与方法,并在当前主流算法模型下进行深入扩展与改进,进一步提高车辆检测识别的速度与精度。主要研究内容如下:（1）针对车辆检测中经典卷积模型存在运行参数复杂、计算量大、训练时间过长等问题,提出了一种基于YOLOv3改进的车辆检测算法。首先在网络的残差单元块融入注意力机制模块,并以残差块堆叠的形式重新生成新的主干特征提取网络;其次引入深度可分离卷积方式与Swish激活函数,使得参与模型训练的参数量明显锐减,网络模型更加轻量化;最后采用GIo U损失作为网络的预测损失函数、Focal损失作为网络的置信度损失函数,来缓解数据分布异构性对算法带来的负面影响。实验结果表明,改进的车辆检测算法可以实现对图像中车辆目标更快速、更精准的检测。（2）针对弱光环境下图像成像质量差、对比度低、细节特征少等因素引发的网络特征提取难度较大的问题,提出了一种基于Enlighten GAN的弱光图像的增强优化算法。首先利用U-net++模型作为基础,在模型编码器部分融入混合注意力机制以及在解码器部分融入卷积注意力机制,构成新的生成器网络;其次在原始损失函数基础上,融入结构损失、感知损失、对抗损失三种损失函数,构成多权损失函数以便加强网络的特征表达能力。实验结果表明,在弱光环境下,该改进方法可以明显提升神经网络对图像细节特征的表达能力。（3）针对不基于车牌的同型号、同外观的车辆进行身份识别时难度较大的问题,提出了一种基于孪生神经网络的车脸识别改进算法。首先引入了一种双注意力机制并将其嵌入主干特征网络Res Net-50中,实现对图像特征的准确提取;其次采用块匹配策略模块以及块中心对齐技术进行二次特征学习,从而提取更细腻的特征表示层;最后将模型训练中的固定学习率优化为循环学习率策略,从而加速模型收敛。实验结果表明,该方法可以在加快网络收敛速度的同时提升车脸图像识别的准确率。