随着城市道路交通的不断发展,人们对智能交通已经体现出了迫切的需求。车型分类作为智能交通系统研究领域的重要分支,受到了极大的关注。传统的车型分类方法已经难以满足需求,本文围绕卷积神经网络在道路交通场景上的车型分类问题对训练数据分布、网络结构和模型压缩等方面重点展开了研究。论文主要进行了以下几个方面的研究工作:(1)用增强后的BIT-Vehicle车型数据集对AlexNet、VGGNet、GoogLeNet、ResNet和三种不同深度的DenseNet-BC网络分别进行测试和比较,DenseNet-BC性能优于其他模型,其中DenseNet-169分类正确率达到了94.83%。(2)针对DenseNet-169网络在BIT-Vehicle数据集上各车型分类正确率差异性较大的问题,提出了基于数据分布自适应重构的模型训练方法。在减小各类车型分类正确率差异性的同时将正确率提高到了95.07%,并且缓解了因数据不平衡导致的网络收敛分散的问题。(3)针对DenseNet-169网络收敛速度较慢和部分车型相似度较高导致模型难以区分的问题,提出了基于双通道DenseNet-BC网络的车型分类方法,极大地提高了网络收敛速度,并将车型分类正确率提高到了95.27%。(4)针对DenseNet-169网络提取的车型特征存在过多冗余和无用特征信息的问题,用模型剪枝的方法剔除模型中的多余卷积核和无用卷积核。将网络参数量减少了4.3M,相对于剪枝前降低了30.39%,同时车型预测时间平均缩短了98ms,相对于剪枝前减少了46.01%。此外,剪枝后的模型车型分类正确率为94.93%。以上工作,已通过Tensorflow深度学习框架进行了实验验证。改进的方法提升了DenseNet-BC网络对车型的分类性能,可以用于解决基于卷积神经网络的车型分类问题。