近年来，解决交通拥堵问题已经成为交通管理方面的重要任务，车辆检测与识别的广泛应用也是解决交通拥堵问题的常用方式之一。基于卷积神经网络的 Faster R-CNN 逐渐成为一种重要的图像目标检测和识别方法。该算法检测精度高、限制小，因此受到了广泛的关注。目前常用的算法模型均是基于模型本身参数的修正，很少涉及网络结构以外的改进方式。文章对 Faster R-CNN 车辆目标检测方法的网络结构改进、锚框提取改进及候选框参数修正方法进行论述，特别是对数据集预处理后再训练能提高效率。经过改进的方法不仅能使网络结构轻量化，也增加了网络的泛化能力，使 Faster R-CNN 能完成更复杂的交通环境检测任务，并且识别精度也得到了显著提升。