随着汽车保有量的不断增长,智能交通已经深入我们的日常生活,车牌检测作为智能交通中重要的组成部分同样得到了飞速的发展,为城市公共交通的规划与出行带来了极大的便利。由于汽车所处环境极其复杂,为车牌检测识别带来了很大的困难,通过分析大量车牌数据得出光照是影响车牌检测识别的主要因素。通过对车牌识别场景中的实际问题和车牌图像的数据特点的分析,本论文以卷积神经网络为基础框架,重点研究车牌识别过程中的低光照增强、车牌定位和车牌识别问题,旨在实现较为复杂（低光照）情况下的车牌识别任务。本文的主要工作如下:（1）为了解决在光线不足的情况下车牌识别率较低的问题,对车牌进行了低光照增强,保证车牌在后续的定位和识别中获得更好的效果。首先,考虑到暗光增强模型属于有监督的网络模型,将符合要求的车牌图像进行了低亮度处理;然后,构造了基于卷积神经网络的低亮度增强模型,模型分为亮度识别模块、噪声识别模块和图像增强模块三部分;最后使用CCPD数据集对模型进行训练,并与其他模型对比,验证所提方法的有效性。（2）针对车牌定位问题,结合算法的鲁棒性与网络的泛化能力,提出使用卷积神经网络对车牌进行目标定位,并改进网络损失函数,增加车牌边框中高宽比信息,对车牌的位置进行更加精准的定位。实验数据选用CCPD数据集中自然场景下的80000张车牌图片,实验结果表明改进版卷积网络对车牌定位具有非常高的精准率和召回率,对错误定位数据进行分析后,引入车牌低光照预处理操作,极大的提高了低光照车牌的定位准确度,提高了模型的鲁棒性和增强了对环境的抗干扰性。（3）针对车牌识别问题,首先对定位后的车牌进行倾斜校正,然后通过分析传统字符识别算法与卷积神经网络字符识别方法,综合考虑车牌使用的实际生活场景,选取端到端类型的DenseNet网络结构进行车牌字符识别。通过网络结构中特有的密集连接,可以加深网络深度,避免过拟合,提高模型字符识别准确率。实验结果表明DenseNet可以达到99.23%的车牌字符识别准确率,拥有极高的准确率和网络泛化能力。最后将每个实验进行整合,通过程序将实验流程化,实现自然场景下汽车图像的输入到车牌字符的自动化输出。实验表明对实际场景的车牌字符识别的准确率可达98.37%,极大的满足了现实场景中的应用,验证了实验的可行性。