针对传统机器学习算法在交通监控视频的车辆检测中易受视频质量、拍摄角度、天气环境等客观因素影响，预处理过程繁琐、难以进行泛化、鲁棒性差等问题，结合空洞卷积、特征金字塔、焦点损失，提出改进的更快的区域卷积神经网络（Faster R-CNN）和单阶段多边框检测检测器（SSD）两种深度学习模型进行多类别车辆检测。首先从监控视频中截取的不同时间的851张标注图构建数据集；然后在保证训练策略相同的情况下，对两种改进后的模型与原模型进行训练；最后对每个模型的平均准确率进行评估。实验结果表明，与原Faster R-CNN和SSD模型相比，改进后的Faster R-CNN和SSD模型的平均准确率分别提高了0.8个百分点和1.7个百分点，两种深度学习方法较传统方法更适应复杂情况下的车辆检测任务，前者准确度较高、速度较慢，更适用于视频离线处理，后者准确度较低、速度较快，更适用于视频实时检测。