El sistema de pesaje en movimiento (WIM) pesa todo el vehículo al identificar las fuerzas dinámicas de cada eje del vehículo en la carretera. La carga de cada eje es muy importante para detectar el peso total del vehículo. Diferentes conductores tienen diferentes comportamientos de conducción, y cuando camiones grandes pasan por el área de detección de pesaje, el estado de conducción de los camiones puede afectar la precisión del pesaje del sistema. Este artículo propone el modelo de red YOLOv3 como base para este algoritmo, que utiliza la idea de red de pirámide de características (FPN) para lograr predicciones a múltiples escalas y la idea de red residual profunda (ResNet) para extraer características de imagen, con el fin de lograr un equilibrio entre la velocidad de detección y la precisión de detección. En el artículo, se añaden la red de agrupamiento en pirámide espacial (SPP) y la red de etapas cruzadas parciales (CSP) al modelo de red original para mejorar la capacidad de aprendizaje de la red neuronal convolucional y hacer que la red original sea más ligera. Luego, se utiliza el método de seguimiento de objetivos basado en detección con filtrado de Kalman + suavizado RTS (rauch-tung-striebel) para extraer la información del estado de conducción del camión (trayectoria del vehículo y velocidad). Finalmente, se analiza estadísticamente el tamaño efectivo del vehículo en diferentes estados de conducción sobre la precisión del pesaje. Los resultados experimentales muestran que el método tiene alta precisión y rendimiento en tiempo real en la extracción del estado de conducción del camión, puede utilizarse para analizar la influencia en la precisión del pesaje y proporciona apoyo teórico para la corrección de precisión personalizada del sistema WIM. Al mismo tiempo, es beneficioso para que el sistema WIM asista al sistema de tráfico existente de manera más precisa y proporcione una gestión de salud de carreteras y una toma de decisiones efectiva al proporcionar datos de monitoreo confiables.