随着社会的进步和科技的发展,汽车的保有量也在不断增加。过多的汽车使城市的交通拥堵现象日益严重,因此城市中的智能交通管理越来越重要,而车牌识别作为智能交通管理的重要组成部分,一直都是研究热点。目前,在正常条件下,车牌的识别准确率较高,但是在强弱光照、旋转畸变、运动模糊等复杂条件下车牌识别准确率偏低,针对以上复杂条件下的车牌识别问题,本文将卷积神经网络(Convolution Neural Networks,CNN)应用于车牌的识别,并通过调整网络参数,训练产生适合复杂条件下车牌识别的卷积神经网络。之后,对具体的各种复杂条件,采用不同的图像增强方法,进一步提高识别的准确率。主要工作如下:针对车牌图像在复杂条件下定位不准确的问题,提出一种多特征融合的车牌定位方法。将处理后的图像分别采用基于HSV二值化的行定位和基于OTSU二值化的列定位进行车牌定位处理,解决了普通定位算法中,定位不准确、定位边界模糊不清的问题,为之后的车牌字符识别提供良好的基础。针对传统车牌识别算法存在字符分割过程中产生大量误差,影响车牌字符识别准确率的问题,将卷积神经网络应用于车牌字符识别。该过程直接将车牌整体输入到卷积神经网络中进行训练,用训练好的模型对车牌进行整体识别。通过调整CNN网络深度、卷积核大小、卷积核个数、批量训练样本个数等网络参数发现,采用随机梯度下降算法,减小批量训练样本数,加大网络深度,增加卷积核个数可以有效提高车牌的识别,准确率可达98.6%。针对各个复杂条件如强光照、弱光照、畸变、旋转、运动模糊等因素对车牌识别率的影响,提出对应的图像增强方法。将增强后的图像应用卷积神经网络进行识别,通过对比实验分析,说明本文提出的网络结构可适用于各种复杂条件,具有广阔的应用前景。