车牌识别作为智能交通系统的一项核心技术,已广泛应用于高速收费口和公路卡口等特定的场景。然而在光照弱、分辨率低、倾斜角度大以及大范围背景干扰等复杂多变的环境下,现有车牌识别系统的性能仍然不能满足应用的要求。本文开展基于深度Faster-RCNN的车牌识别算法的研究具有重要的应用价值。车牌识别包括车牌区域检测和车牌号码识别两个部分。本文主要贡献如下:首先,将车牌区域检测看作是车牌区域和背景区域的两类目标检测问题,提出一种基于Faster-RCNN的车牌区域检测算法。在卷积特征提取方面,分别用ZF-Net、VGG-16、ResNet-101进行实验,结果表明ResNet-101检测率最高;在后续分类阶段,采用了Soft-NMS方法进行非极大值抑制,提升了车牌的检测率。最后,针对公开数据集Caltech Datasets,利用本文算法、文献43的车牌检测算法和文献44的车牌检测算法进行了对比实验,证实了本文方法的有效性和先进性。通过卡口车牌数据集Normal Datasets的实验,验证本文算法对场景、视点和光照较为固定的常规场景的有效性。此外,针对场景、视点和光照的动态变化自制的车牌数据集Hust Datasets,利用本文算法、文献44的车牌检测算法和开源车牌识别系统EasyPR中的SVM车牌检测算法进行了对比实验,本文算法的检测率达到了97.2其次,将车牌号码识别看作是车牌字符和背景的结构化多类目标检测问题,提出一种基于Faster-RCNN的车牌号码识别算法。通过车牌字符中心近似等间距分布在同一直线上的结构化特点以及Soft-NMS处理,得到车牌号码。该算法规避了车牌精确定位和字符分割环节,提高了车牌号码识别的精度和速度。在针对Hust Datasets自制的Hust-Plate Datasets数据集上,利用本文算法、文献44的Tian LPRS的车牌号码识别算法和EasyPR中的ANN车牌号码识别算法进行对比实验,本文算法的识别率达到了 94.4最后,将本文车牌区域检测和车牌号码识别算法结合起来,提出了一种基于深度Faster-RCNN的场景车牌识别算法。针对公开数据集Caltech Datasets,利用本文算法和文献45的深度学习车牌识别算法进行了对比实验,证实了该算法的有效性。通过Normal Datasets的实验,验证本文算法对场景、视点和光照较为固定的常规场景车牌图片的有效性。此外,在自制的Hust Datasets数据集上,利用Tian LPRS中的车牌识别算法和EasyPR中基于SVM和ANN的车牌识别算法进行对比实验,本文算法的识别率达到了 91.8