随着经济社会的发展,机动车保有量不断增加,涉及车辆的违法犯罪行为愈加猖獗。其中,车辆套牌行为屡见不鲜,而公安部门的相关整治行动缺乏有力手段。另一方面,道路监控系统每年会产生数十亿条车辆监控记录,其中包含了车辆的海量时空轨迹信息,然而其价值却没有得到有效挖掘利用。本文针对目前存在的车辆套牌犯罪行为和破案的实际需要,提出了一个套牌检测模型。朴素套牌检测模型,借鉴异常检测的思路,从监控记录中模拟出车辆行驶路径,找出离群区间速度对应的车辆号牌,即:如果区间速度合理,则认为是合法车辆的行驶路径;如果区间速度超出了合理的范围,则认为是套牌车辆扰乱了合法车辆行驶路径。不合理路径对应的车牌号码被判定为套牌号牌,通过套牌号牌可以找到相应的套牌车辆。在以上朴素套牌检测模型中,用来判定是否涉嫌套牌的速度值称作套牌判定阈值。朴素套牌检测模型固定了套牌判定阈值,而道路监控数据中包含的交通流信息却没有得到有效利用。如果模型能够根据交通状况做出相应的改变,那么检测模型的性能将有极大的提升。本文通过从实际监控历史记录中提取出车流量-速度数据集作为训练集,使用回归方法训练出了线性与非线性的动态套牌判定阈值模型,使得套牌检测模型的套牌判定阈值能够感知交通状况的变化。本文根据对套牌检测模型的研究和实际的需求,设计并实现了一个基于大数据分析的套牌实时检测系统,并对部分模块进行了测试,同时对系统中的套牌检测模型进行了为期一周的对比实验,取得了明显效果,进行实验的各个模型在一周之内均发现了超过20个套牌号牌。本文随后对实验结果进行了评估与分析,给出了套牌检测模型进一步优化的思路。