在智能交通、安防监控等领域快速发展的当下，准确且高效的车型识别技术变得愈发重要。无论是交通流量统计、停车场管理，还是安防系统中的车辆追踪，都对车型识别的精度和速度提出了高要求。传统车型识别方法在面对复杂多样的车型时，常因准确率不足或模型过于庞大导致效率低下等问题，难以满足实际应用场景的需求。为此，本项目研究了细粒度的车型识别技术，基于BCNN（双线性卷积神经网络）及其改进版本开展车型识别工作。本项目的创新点在于，一方面对 BCNN 进行改进，使其能更好地适应车型识别任务中对细粒度特征的提取需求，增强了模型对复杂车型特征的学习能力；另一方面，在追求高准确率的同时，通过创新性的模型压缩技术，对模型进行优化，极大地缩小了模型体积。实验结果表明：车型分类准确率达到了 88.68%，这一成绩在同类研究中处于较高水平，能有效满足众多实际应用场景对车型识别精度的要求；同时，模型大小相比传统方法缩小了 47.4%，大幅降低了模型的存储需求和运算成本，使得该车型识别技术在资源受限的设备上也能高效运行，为技术的广泛应用奠定了坚实基础。