汽车，自1886年诞生以来，在仅仅百余年的人类文明发展历程中扮演了极其重要的角色。随着我国经济持续稳定发展，全国汽车保有量逐年上升，位居世界前列。汽车已经成为人们生产生活中不可或缺的重要工具，汽车与我们的生活息息相关。基于汽车的使用可以映射出社会个体或群体的行为，基于此类行为数据，可进一步来进行行为分析、城市计算、社会分析等相关领域研究。在我们的实际应用场景中，我们遇到了若干数据不完备的问题，为此，针对图像中车辆的特征进行结构化，从而完善车辆信息，为基于图像的车辆匹配、检索等需求提供，从而纠正错误记录完备相关数据，使基于该数据的社会计算、社会感知计算、城市计算等相关研究得以充分的保障。首先，针对应用系统中存在的图像质量问题，我们分析了常见的图像质量评估方法，我们提出了DiffGAN （Difference Using a Generative Adversarial Network）生成差分图像的生成式对抗网络，将失真图像输入网络直接生成失真图像和参考图像的差分图像，然后利用DenseNet201 （Densely Connected Convolutional Networks with 201 Layers）网络对失真图像的图像质量进行二分类，将图像分为妨碍观看和不妨碍观看两类，从而完成多种噪声情景下的图像质量评估工作，为此我们在TID2013（Tampere Image Dataset 2013）数据集上增加了曝光过度和曝光不足两种生产环境中常见的失真情况，最终在26种噪声下的测试集上获得了较好的评估效果。其次，为更精准的提取车辆属性特征，我们对图像采取预处理，对目标车辆区域进行提取，减少车辆背景带来的噪声影响。基于传统的图像特征，车辆检测往往需要大量的计算，而且大多研究工作都是在单一不变应用情景下进行，不能应对多应用情景下的复杂多变环境中的车辆目标检测。随着深度学习在通用目标检测应用领域上不断的深入应用，我们基于在COCO（Common Objects in Context）数据集预训练的目标检测YOLOv2 （You Only Look Once version 2）对生产环境中图像的目标车辆进行检测，从而为更快更准的车辆特征提取做好充分的准备工作。然后，为解决车型识别问题，我们提出了基于卷积神经网络的车型分类模型，其中包含了4个卷积层，3个最大池化层和2个全连接层，将车辆分为摩托车、运输车、载人车和其他车辆四类，并通过无监督的自编码思路来逐层贪婪的预训练模型的所有卷积层，从而优化模型的分类结果，最终通过消融研究验证了预训练卷积神经网络模型方法的有效性，车型的识别准确率达到93.50%。在车身颜色识别中，基于迁移学习中的参数迁移和样本迁移，在标注样本数据极少的情况下，来实现车身颜色识别。首先通过选取在ImageNet上预训练的参数量较少，网络层数较多的四款模型Xception、ResNet50、InceptionV3和DenseNet201来实现参数迁移，然后基于在相关研究中公开的已标注颜色的车辆数据集和来自网络检索的标注车辆数据集来实现样本迁移，最终进行参数迁移的DenseNet201模型结合样本迁移，在人工标注的少量评测数据集中达到了较好的车身颜色分类性能，并针对发现的图像偏蓝问题进行了探讨并给出了解决方案。在车标识别中，我们通过两个步骤分别进行，即定位和分类。首先我们根据检测到的车牌位置先验知识对车标进行粗定位，再使用SS（Selective Search）选择搜索候选区域推荐算法推荐车标精准区域所在的候选区域，随后，通过训练微调后生成式对抗网络DCGAN（Deep Convolution Generative Adversarial Networks）生成车标图像，基于判别模型的对车标图像的判别能力来对所有车标候选区域进行判别，得到最为精准的车标区域；然后，针对精准的车标区域，我们复用判别模型中学习到的车标图像特征，通过参数迁移来优化车标的分类性能，从而达到更为准确的车标分类。