随着计算机视觉技术的发展进步,基于图像的车牌检测识别方法在生活中得到了广泛应用,如自动停车场、小区门禁、高速路口等。我国汽车车牌种类繁多、数目庞大,在不同场景下产生了各类复合车牌,如双层车牌、港澳通行车牌、使馆车牌等等。针对上述场景,本文设计了基于深度学习的端对端车牌检测识别算法,研究内容主要分为以下部分:（1）车牌检测识别算法架构设计。通过对车牌场景分析,设计了车牌检测、文本检测、文本识别三阶段的算法架构。首先通过车牌检测模块对抓拍图片进行车牌区域检测裁取,然后将得到的车牌进行文本内容的检测识别,得到车牌内容。（2）车牌检测算法分析与设计。本文对anchor-free的FCOS模型进行分析改进,设计了高速率的车牌检测算法。主要改进点为:（a）对FCOS模型进行参数量与运算量统计,通过精简特征金字塔网络的结构以及替换backbone,提升了FCOS模型的运算速度;（b）对FCOS模型中center-ness模块进行数据分析及可视化,将center-ness计算公式改进为分段加权;（c）对IOU计算公式进行改进,定义了非对称的IOU计算方法——IIOU,以及作为损失函数的计算流程。改进的IIOU保持了对物体几何重叠程度的度量能力,同时扩大了对重叠方式的优化空间。（3）车牌文本检测与识别算法分析与设计。设计了基于SSD算法的细粒度字符检测模型,将矩形检出框改进为不规则四边形编码。设计了基于卷积神经网络的轻量字符识别模型,对单个字符进行识别。最后设计了文本语义算法,对检出字符进行排序以恢复语义,分为空间铰接、字符串重排和字典过滤三部分。字符空间铰接算法利用检测框的几何坐标,通过中位延伸线相互铰接成字符串,再通过重排算法对字符串进行顺序编码,得到具有文本语义信息的字符排列顺序。字典过滤模块通过对车牌文本格式进行字典编码,通过正则匹配算法进行规则匹配,以滤除误检文本内容。（4）算法部署与实验验证。算法中的深度学习模型通过pytorch框架实现,在测试时串接为端对端的检测识别模型,其他算法以python实现。整体算法通过Flask框架部署在服务器上,通过Http传输图片并返回识别结果进行调用。在公开CCPD数据集上,本文达到了96.5%的识别准确率。在大规模复合车牌数据集MLPD上,对单层车牌与复合车牌分别取得了98.2%和81.9%的识别准确率。