針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí) 算法在交通監(jiān)控視頻的車輛檢測(cè)中易受視頻質(zhì)量、拍攝角度、天氣環(huán)境等客觀因素影響，預(yù)處理過(guò)程繁瑣、難以進(jìn)行泛化、魯棒性差等問(wèn)題，結(jié)合空洞卷積、特征金字塔、焦點(diǎn)損失，提出改進(jìn)的更快的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（ Faster R-CNN）和單階段多邊框檢測(cè)檢測(cè)器（SSD）兩種深度學(xué)習(xí)模型進(jìn)行多類別車輛檢測(cè)。首先從監(jiān)控視頻中截取的不同時(shí)間的851張標(biāo)注圖構(gòu)建數(shù)據(jù)集;然后在保證訓(xùn)練策略相同的情況下，對(duì)兩種改進(jìn)后的模型與原模型進(jìn)行訓(xùn)練;最后對(duì)每個(gè)模型的平均準(zhǔn)確率進(jìn)行評(píng)估。實(shí)驗(yàn)結(jié)果表明，與原Faster R-CNN和SSD模型相比，改進(jìn)后的Faster R-CNN和SSD模型的平均準(zhǔn)確率分別提高了0.8個(gè)百分點(diǎn)和1.7個(gè)百分點(diǎn)，兩種深度學(xué)習(xí)方法較傳統(tǒng)方法更適應(yīng)復(fù)雜情況下的車輛檢測(cè)任務(wù)，前者準(zhǔn)確度較高、速度較慢，更適用于視頻離線處理，后者準(zhǔn)確度較低、速度較快，更適用于視頻實(shí)時(shí)檢測(cè)。

　　隨著經(jīng)濟(jì)和城鎮(zhèn)化建設(shè)的快速發(fā)展，我國(guó)各城市的道路和車輛總量不斷增長(zhǎng)，交管部門的管理壓力與日俱增。雖然高清監(jiān)控?cái)z像頭已經(jīng)在絕大多數(shù)路口部署，但每8產(chǎn)生的視頻量也越來(lái)越龐大，通過(guò)人工進(jìn)行視頻實(shí)時(shí)監(jiān)控或離線處理既費(fèi)時(shí)又費(fèi)力，而且容易延誤和遺漏，所以亟須尋找-種自動(dòng)化方法輔助人工進(jìn)行監(jiān)控處理，這也是智能交通系統(tǒng)的核心。

　　交通監(jiān)控視頻中蘊(yùn)含豐富的信息，是智能交通監(jiān)控系統(tǒng)的重要數(shù)據(jù)來(lái)源。監(jiān)控視頻可以應(yīng)用在車輛違法行為判斷、跨攝像頭車輛追蹤、分時(shí)段分車道車流量統(tǒng)計(jì)等實(shí)際場(chǎng)景，而車輛檢測(cè)則是車輛行為分析和智能交通監(jiān)控的重要基礎(chǔ)。