随着全球车辆数量的增加,智能交通技术越来越成为城市交通的智能化管理的重要手段。自动车牌识别(Automatic License Plate Recognition,ALPR)已经成为了智能交通中的热点研究对象,并且广泛应用于许多交通场景中,例如高速公路的车辆管理、车辆识别、停车场进出管理,甚至是交通场景理解等等。ALPR涉及到目标检测、图像处理以及模式识别等领域的内容,为减轻交通管理负担、减少交通违法行为和交通事故、建立智慧城市提供了很大的帮助,对于公共安全有着巨大的应用前景。在自然场景下,因拍摄角度引起或车牌实际存在的几何变形、旋转和扭曲,拍摄环境弱光或强光,存在受到污染的字符等等,会影响到ALPR的精度。深度神经网络在车牌识别的研究中已经有了很多成果,而各种形变的数据会极大影响到深度网络的训练及识别精度。为此,提出一个整体的ALPR实现方案,主要研究内容及创新点如下:针对车牌的几何形变影响文本识别精度的问题,引入带有薄板样条插值(Thin Plate Spline,TPS)变换的空间变换网络(Space Transformation Network,STN),对其改进成一个新的反向组合空间变换网络(Inverse Compositional Spatial Transformer Network,ICSTN)结构用于矫正车牌图像。ICSTN可以以ICSTN＿s的形式多次展开框架来训练,s代表翘曲展开操作的次数。通过在CCPD数据集和PKUData数据集上的大量实验,确定了矫正车牌图像性能最佳的模型,即确定s的值。针对车牌识别问题,构建了一个新的深度神经网络结构ICSTN-CRNN。ICSTN-CRNN是一个单通道端到端的神经网络,它由一个车牌矫正网络ICSTN和一个识别车牌的卷积递归神经网络(Convolutional Recurrent Neural Network,CRNN)所构成。该方法在车牌识别精度上有显著的提升。车牌检测的精确度对于后续的识别至关重要。在现有的目标检测算法的基础上实现了基于深度学习的车牌检测算法,并且提出了一种新型实时ALPR解决方案。该解决方案融合了实时车牌检测、车牌识别网络和数据增强策略。在现有的基准上进行了大量实验。相较于现有的其他方法,提出的解决方案能将准确率提高约1%-16%,并具有很好的实时性。