随着经济的快速发展,全国的车辆总数日益增长,车牌识别已经成为交通运输管理的关键性技术。基于传统的车牌识别算法已经可以应用于小区、停车场等这种简单场景;但是,在全天候复杂的工作环境下,车牌图像会存在模糊、受损、倾斜等情况,传统算法抗干扰能力差、模型不具有通用性,设计出来的算法定位和识别效果不理想。基于传统方法的局限性,本文提出基于深度学习的车牌识别算法。首先,本文提出基于改进U-Net的语义分割模型来提取车牌区域。语义分割是基于像素级别分类的方法,常用于医疗等一些对精度要求比较高的场景。对比于目标检测模型,语义分割网络模型更加简单,网络参数量也更少,少量的数据集就可以取得较好的效果。通过实验验证,基于改进U-Net的语义分割模型通过加入注意力机制,可以进一步提高感兴趣区域的权重,提高检测精度。通过对公开数据集的各个场景下的数据筛选,共挑选了3000张包含车辆的图片送入分割模型进行训练,测试结果表明,基于语义分割模型的车牌定位算法具有高的均值交并比。然后,本文通过对车牌区域的分析,基于改进Le Net的卷积神经网络实现端到端的字符识别。对网络结构的改进有以下几点:（1）将Le Net中一个5*5卷积替换为2个3*3的卷积,特征提取能力相同,后者网络表达能力更强,参数量和运算量更少;（2）将网络的卷积层和全连接层连接处加上全局平均池化层,使得网络可接受任意尺寸的输入;（3）把其头部改为七个并行的全连接层,共享前面的卷积层。通过这样的改进后,车牌可以实现端到端的识别,无需进行字符分割处理。测试结果表明基于改进的Le Net在车牌字符识别上具有更高的准确率。最后,本文将基于改进的U-Net的车牌定位算法和基于改进Le Net的车牌字符识别算法串接起来。整体模型进行测试,结果表明最后的车牌识别准确率高达98.15%。并且模型整体可以达到实时检测识别的要求。