چکیده: در سال های اخیر، طبقه بندی بلادرنگ نوع خودرو، از موضوعات جذاب و بسیار پرکاربرد بوده است که دلیل آن، کاربردش در کنترل و تحلیل ترافیک جاده ای است. شبکه های عصبی عمیق، با توجه به قابلیت های بسیار زیاد خود در مسائل طبقه بندی، از جذاب ترین روش ها برای طبقه بندی نوع خودروها هستند. یکی از مشکلات این ساختارها زیاد بودن بار محاسباتی شبکه است که موجب کند شدن فرآیند شده و پیاده سازی آن برای کاربردهای بلادرنگ را با مشکل مواجه می کند. در این رساله، یک شبکه ی همگشتی جدید برای تشخیص نوع خودروها معرفی شده که هم در بستر CPU و هم GPU عملکرد بسیار خوبی از خود نشان داده و از نظر زمانی به صورت بلادرنگ عمل می کند. نوآوری های این ساختار هم شامل معماری شبکه و عناصر ساختاری تشکیل دهنده ی آن بوده و هم در روش یادگیری و پیاده سازی الگوریتم یادگیری پس انتشار لحاظ شده است. در طبقه بند های رایج، استخراج ویژگی فقط در لایه-ی همگشت صورت می گیرد در حالی که در ساختار پیشنهادی، استخراج ویژگی در سه محل از شبکه صورت می گیرد. ساختار پیشنهادی، از پنج بلوک اصلی تشکیل شده که در هر کدام، از یک لایه ی همگشت، یک لایه ی حذف تصادفی، یک بلوک فشار-تحریک و یک لایه ادغام پیشنهادی مبتنی بر موجک، و یک نرمال ساز دسته ای استفاده شده است. نوآوری دیگر رساله، پیشنهاد روشی برای به روز رسانی وزن ها در الگوریتم یادگیری پس انتشار است. استفاده از این روش، موجب بالارفتن صحت ساختار پیشنهادی و ساختارهای مشابه، در بهینه سازهای مختلف شد. روش پیشنهادی روی دو مجموعه داده ی IRVD که توسط نگارنده جمع آوری شده است و مجموعه MIO-TCD ارزیابی شده است. ساختار پیشنهادی برای مجموعه داده ی IRVD زمان بازشناسی 42 میلی ثانیه ای روی CPU و 048/0 میلی ثانیه ای روی GPU با صحت 59/99 درصدی را حاصل کرده که هم از نظر صحت و هم از نظر زمان بازشناسی، در مقایسه با مدل های مورد آزمایش (که مدل های رایج هستند) بهترین حالت است. ساختار پیشنهادی بر روی مجموعه داده ی پرچالش MIO-TCD نیز صحت 59/96 درصدی را حاصل کرده است. همان طور که در بخش نتایج تجربی، بیان خواهد شد، این ساختار در مقایسه با ساختارهای رایج عمیق مبتنی بر همگشت، از نظر معیارهای طبقه بندی، بهترین نتیجه را حاصل کرده است.