Глубокое обучение имеет место, особенно с быстрым ростом и доступностью больших баз данных и недавними улучшениями в графических процессорах (GPU). Основной целью данного исследования является применение алгоритмов глубокого обучения, таких как конволюционные нейронные сети (CNN) и глубокие архитектуры, в частности глубокая модель VGG-16 для категоризации и локализации транспортных средств в дорожных сценах. В данной диссертации мы покажем, что с помощью оптимизации параметров и простой модификации алгоритма мы можем улучшить, даже относительно, робастность конкретной сети Faster R-CNN в обнаружении транспортных средств и получить лучшие результаты на основе различных баз данных (PASCAL VOC 2007, PASCAL VOC 2012, MIT Traffic, CUHK Square и Logiroad).