随着中国经济的快速发展,人们购买并使用机动车的数量也不断增加。因此对行驶在路面上的机动车监管以及监控需求也在日益增长。本文针对安防企业的需求对车牌字符识别算法进行深入研究。使用基于卷积神经网络的识别方法并结合改进的LeNet-5卷积神经网络模型对车牌字符进行识别。将改进后的识别算法工程化,编写车牌识别软件验证识别算法的准确率以及识别耗时。本文建立在车牌位置已经精确定位的前提条件下,对车牌字符识别算法进行研究。首先,采用灰度变换、透视变换、二值化、形态学处理等方式对车牌图像进行图像处理来获得字符在图像中的具体位置,并将字符图像分割出来。其次,收集车牌图像样本,搭建卷积神经网络训练环境。选择适合工程应用的网络模型,通过实际测试分析网络模型以及训练过程时存在的问题。再次,对网络结构以及训练参数初始化上进行改进,通过训练改进后的网络从而获得字符识别所需要的分类器。最后,编写独立的车牌字符识别软件,包括车牌图像的图像处理、字符分割、字符识别,并对图像处理及字符识别过程进行数据可视化以及相关测试验证。相比于传统的识别算法,改进后的车牌字符识别算法不仅具有在分类器训练上网络收敛速度快,而且在识别上具有识别准确率高、识别速度快等优点。识别算法工程化后,车牌识别率达平均正确率达到96.9%,单次车牌识别平均耗时64.7ms。相比BP神经网络算法正确率提升2.4%,识别耗时减少22.1%。在多成像条件下测试,识别效果良好。