建设智慧交通是未来城市发展的必然趋势,车牌字符识别是实现智慧交通建设的一个核心和热点问题,该技术在改善传统交通监管机制、节约时间成本、提高交警工作效率等方面起到了积极作用。传统识别算法多依赖于高清车牌图像,在实际应用场景中,对光线气候条件、采集距离和角度、车辆速度等有较高要求,在识别字符扭曲、模糊等形变图像时有一定局限性。随着计算机图像处理和运算能力提升,本文在基于深度学习基础上,从车牌区域检测和字符序列识别两方面进行研究,主要内容及工作如下:(1)针对中国车牌特征和字符编排规则,设计实现了车牌图像生成系统,能够批量生成四种常见种类车牌,并实现车牌图像的模糊、雾化、字符扭曲等数据增强处理,旨在为实验中模型训练提供大规模数据集。然后基于生成对抗网络原理,构建一种改进的DCGAN网络模型,实现输入随机噪声点并输出指定字符序列的车牌图像。(2)针对车牌定位,首先结合多种图像处理技术实现传统车牌区域检测,然后构建一种基于Mask R-CNN的目标检测算法模型,并根据车牌长宽比例优化生成候选框的参数,该模型也适用于新能源车牌检测,较于传统检测算法能有效降低漏检和误检率,在精准率和召回率等指标评估时提高了约十个百分点。(3)针对字符识别,本文分别实现基于字符分割和端到端两种算法,首先结合图像处理技术优化分割流程,成功实现对扭曲、模糊字符的分割,然后融入卷积神经网络构建三个子模型对分割字符进行识别,实验表明在数据集中增加扭曲、模糊字符,能够提高模型泛化性。针对端到端字符识别,为避免字符分割带来误差积累和验证端到端方法可行性,构建一种改进的AlexNet网络模型,将原网络全连接层替换为卷积层,并利用权重衰减等技术逐步优化网络。最终选取常规和形变车牌图像进行实验,结果表明优化模型能有效提高字符序列识别准确率。