图像获取和存储技术、以及互联网技术的发展,使社会生活中的各个领域都积累了大量的历史车牌图像和实时车牌图像,这些数据大部分是自然场景下自动获取的,呈现获取场景不受限、高清化和海量化的特点。快速定位车牌图像中的车牌,以便进一步分析,是提升车牌图像利用价值的前提。然而,现有的大多数车牌检测系统对图像获取场景均有严格的约束,这些限制条件在自然场景下是很难同时满足的,因此,研究自然场景下的车牌检测问题具有重要的实践意义。　　 在查阅大量相关文献的基础上,本文把车牌检测技术划分为基于人工设计特征的方法和基于学习特征的方法两类,并分别概述两类车牌检测方法的研究现状,分析各自的优缺点。最后得出结论,自然场景下的车牌检测系统需要建立在对现实世界中的变化如不均匀光照、视角变化、低对比度、部分遮挡及运动模糊等具有鲁棒性的学习特征之上。　　 本文考虑使用卷积神经网络(Convolutional Neural Networks,CNNs)来构建自然场景下的车牌检测系统。卷积神经网络是一种多阶段全局可训练模型,它可以自动的从原始输入图像中学习平移不变性特征。更重要的是,与其他分类器相比,训练过的卷积神经网络可以用较小的计算代价扫描整幅待检测图像,因而,被广泛应用于目标检测。迄今为止,已有的基于卷积神经网络的检测器都是单尺度的,即分类器仅使用最后一个特征提取阶段提取的特征。本文提出了用于快速目标检测的多尺度卷积神经网络,多个特征提取阶段提取的特征均输入分类器,这使得分类器不仅可以使用后面阶段提取的更高层且不变性更强的特征,还可以使用前面特征提取阶段提取的更低层却包含大量精确细节的特征。此外,为了保持较高的检测效率,增加了一些附加的子采样层,使得提出的网络结构也可以很容易扫描整幅待检测图像。本文把提出的多尺度网络结构应用于自然场景下的车牌检测问题,实验结果表明,在未使用人工设计特征,并且图像获取场景不受限的情况下,仍然可以达到显著的检测效果。