自21世纪以来,社会科技发展迅速,越来越多的行业正在使用计算机来替代人类进行复杂或者困难的工作。交通行业中的汽车牌照因可以查阅车主和车辆的登记信息,在行驶过程中经常会被检测和记录。计算机检测车牌方法能够从拍摄的包含汽车的照片中提取出车牌图像,之后再根据该图像得出具体的数字和文字信息。而不同的车辆轮毂的样式往往不同,在较小的限制区域可以将轮毂的纹理等特点看成该车辆的唯一特征来区别其他机动车辆。传统的方法主要使用图像处理的方法进行车牌轮毂的定位和分割,最后进行识别,因该方法定位易受环境影响产生误差、不易检测较小尺度目标。故本文使用新型的深度学习方法,利用改进过的Faster RCNN网络对车牌和轮毂进行定位检测。本文首先对传统的车牌轮毂的检测算法进行整理和分析,实验分析其结论以得出该类算法的优缺点。之后研究深度学习的Faster RCNN网络,使用该网络针对目标及道路行驶的特点对网络进行优化和改进。原有的Faster RCNN首先运用CNN卷积神经网络提取特征图、接下来用RPN网络提取region proposals锚区域、之后的roi pooling操作对所有的锚区域重新定义大小、最后送到全连接层中进行具体的分类。针对车牌和轮毂的特点,对原Faster RCNN网络改进,主要有:1、根据中国道路上机动行驶车辆的车牌轮毂特点,优化了RPN网络中的锚框尺寸,加快收敛速度并提高小尺度锚区域检测精度。2、改进算法的分类回归方式,使用全局性的池化层替代了原有的全连接层,减少参数和计算量,提高了算法运行速度。本文将改进的深度学习算法与传统算法进行测试和比较,结果表明,在复杂的环境例如:距离较远或光照不足的情况下,该算法相对于传统的算法对于小尺度目标具有更高的检测准确率。