随着国内智慧停车场的建设以及高速公路电子不停车收费系统（electronic toll collection）的不断普及,对现有车牌识别技术的精度和速度方面提出了更高的要求,尤其在一些车牌字符模糊、检测环境复杂、光线不足等条件下。在识别精度方面,现有的大量商业车牌识别系统,其识别算法通常由两个处理步骤组成,即车牌定位和字符识别,两个步骤均对最终的识别结果起着极其关键的作用,因此增加识别系统的识别性能,可以从提高车牌定位和车牌字符识别的精度两个方面进行研究。在识别速度方面,一方面可以进一步优化软件算法,另一方面则可以使用性能更佳的算法处理硬件平台。本文为了改进目前绝大多数商业车牌识别系统在特殊环境下的车牌定位精度和车牌字符识别准确率,以及提高算法硬件实现平台的性能三个方面展开研究。首先,本文提出了一种基于Faster R-CNN的改进车牌定位算法,改进算法能有效提高车牌定位技术在不利气候环境、扭曲变形的车牌和低质量监控摄像机等条件下的定位精确度,该算法保留原始Faster R-CNN网络的主体架构,针对性的改进了网络内部构成、参数设置和训练方式,使网络较改进前在车牌定位精度和召回率两个指标上分别提升了2.3和2.5个百分点。其次,本文提出一种基于改进CRNN+CTC的免字符分割车牌字符识别算法。本文将CRNN中标准CNN网络改为深度可分离卷积网络,并对网络模型做了进一步的改进;RNN采用双向长短期记忆网络Bi-LSTM,并引入CTC Loss对其进行训练;为了避免训练过程中的过拟合现象,本文在损失函数的设计中加入了L2正则项,并增加训练数据集,引入批量归一化算法来加快训练过程中的学习速度。经过实验表明,本文的算法在三个实验测试集上能达到平均97.2%的车牌识别准确度,与其他几种基于复杂环境中的方法相比,本文提出的方法在识别精度和速度方面均有一定提升,网络的鲁棒性和泛化能力也更强。最后,为了从硬件层面提升车牌识别速度以及车牌识别系统的整体性能,本文提出了一种基于FPGA的车牌识别算法加速实现框架。在结构层面,本文改进了网络训练方案的并行性,降低了计算资源需求,提高了算法的计算效率;在数据传输方面,由于硬件加速的主要目标是减少数据通信负载,因此本文将数据流的结构进行优化,其次在内存分配和数据访问规则化方面结合了对应的硬件约束,通过实验对比,基于FPGA的车牌识别硬件实现方案优于GPU和ASCIA的实现方案。该研究通过算法优化、硬件实现和综合二者的交互设计过程进行改进和创新,最终形成了一种特殊环境下加速车牌识别算法的软硬件协同设计方法。