路牌检测和识别在智能车辆和驾驶员辅助系统中扮演着至关重要的作用。在很多情况下,因为驾驶员缺乏对路牌的注意力,且存在路牌被遮挡的情况,驾驶员会错过路牌信息。所以,路牌的自动识别系统可以提高汽车驾驶的安全性。路牌的检测和识别并不是一个简单的过程。通常会在车辆的顶部安装广角照相机,用于抓拍路牌和其他相关的视觉特征。很多因素会影响到图像的质量,比如光照强度变化、方向变化、车辆速度变化等。传统的计算机视觉和机器学习方法被广泛应用于路牌检测识别,但是这些方法很快被基于深度学习的方法所替代。近年来,与其他传统的检测和识别算法相比,卷积神经网络有着无法替代的优势。随着深度学习算法结构地不断发展和稳定高性能的实现,从有效的深度学习视角来看,深度学习能更好地解决路牌识别存在的问题。进行大量的深入研究和探索之后,针对现有的一些基于卷积神经网络的路牌检测和识别算法的不足,本文提出了一种基于单个深层卷积神经网络(SSD)的路牌检测算法和一种基于压缩感知域和跨连卷积神经网络(CCNN)的路牌识别算法,主要内容如下:(1)现有的路牌检测算法中一般会存在正确率不高或者运算速度太慢等问题。为了解决上述难题,本文首次将单个深层卷积神经网络(Single ShotMultiBox Detector,SSD)应用于路牌检测。单个深层卷积神经网络是最好的目标检测算法之一,其具有精度高、运算速度快的特点。SSD是在一个前向传播的CNN基础上构造的,会输出多个尺寸固定的边界框,和每一个边界框中目标检测物存在的概率。最后,通过非极大值抑制算法(Non-maximum suppression,NMS)获得最终的检测结果。(2)在许多的计算机可视化应用中,有时并不能成功地将目标对象重构出来,从而不能确定图像的正确比例。因为压缩感知的重构方法存在许多不足之处,例如稀疏度等参数需要事先设置等,这使得重构算法无法成功在实际中进行应用。因此,压缩感知域得到了发展。本文将压缩感知域应用于路牌的识别,利用测量矩阵将路牌图像进行压缩,即将路牌图像转换到压缩感知域,忽略重构过程,并将其直接作为路牌识别算法的输入数据。(3)研究表明,如果同时利用卷积神经网络的高层次特征和低层次特征,能够提高网络的识别率。而传统的CNN却很难实现这一点,从而导致最后的识别结果并不是非常理想。为了解决该问题,本文将跨层连接的想法应用到经典的CNN网络中,成功构造了一个拥有9个层次的跨连卷积神经网络(CCNN)模型,该模型的性能比CNN更好,在一定程度上可以提高识别的精确度。在大量公开的GTSDB数据集和GTSRB数据集上测试上述的路牌检测方法和路牌识别方法,并将仿真结果与目前主流的路牌检测和识别算法的结果进行比较,由比较结果能够直观地发现本文提出的算法能提高路牌的检测精度和识别精度,增强路牌检测和识别的鲁棒性。