针对采用大样本离线训练的车辆识别分类器在新场景中性能显着下降的问题，提出了一种具有样本自标注能力的车辆识别迁移学习算法，并采用概率神经网络（概率神经网络，PNN）进行分类器训练。首先，提出一种基于多细节先验信息的样本标注策略，融合复杂度，垂直平面和相对速度等先验信息实现新样本的自动标注；然后，充分利用PNN训练速度快而增加新样本时只需分类器进行局部更新的特点，将其更新到分类器训练模型中，取代传统机器学习算法中的Adaboost分类器。实验结果表明：该算法在新场景下的新样本标注准确率高达99.76