车牌是区分不同车辆的重要标识。随着车辆的不断增加和交通的日益繁忙,智能交通系统变得越来越重要。同时,车牌自动识别技术在智能交通系统中发挥着重要作用,如视频监控系统、停车管理系统和交通违章摄像头。然而,目前大多数方法都是针对特定场景下的清晰车牌,对于不受限制的远程交通监控场景中的模糊和低分辨率图像,仍然没有一个出色的解决方案,其识别精度可以达到实际应用的标准。在很难继续提高识别算法精度的情况下,我们选择使用超分辨率技术来提升车牌图像的质量,从而为后续的识别阶段提供更清晰的输入。近年来,注意力机制被广泛用于各类计算机视觉任务,可以将注意力机制理解为神经网络在训练时自动区分各区域、各通道信息重要性的机制,提高对重要性高的特征的学习权重,抑制重要性低的特征的学习权重,从而提高网络的表达能力。此外,在超分辨率中,边缘梯度信息也是极其重要的。退化的低分辨率图像相较于高分辨率图像丢失的信息主要集中于高频细节,而高频信息又主要集中在边缘处。为了有效地重构低分辨率图像并改善图像质量,作为图像边缘信息的梯度图被用在网络的训练过程用于指导低分辨率图像的边缘恢复。本文主要针对超分辨率中注意力机制和梯度重构的改进,以及将改进后的超分辨率网络用在微小车牌识别任务中:（1）本文的第一项工作为基于双路注意力超分辨率网络的微小车牌识别研究。针对现实场景中微小车牌识别精度低的情况收集了一个超分辨率车牌数据集（SuperResolution License Plate,SRLP）,该数据集分别取自不同的远程监控摄像头,并对车牌框和车牌号进行标注。还提出了一个用于远程监控的自动超分辨率车牌识别框架（SuperResolution License Plate Recognition,SRLPR）,可以远程识别低分辨率的模糊微小车牌。超分辨率模块采用的是双路注意力生成对抗网络（Dual Branch Attention Generative Adversarial Network,DBAGAN）,双路注意力机制与超分辨率网络的结合可以有效地提升网络的性能。超分辨率模块作用于单字符车牌图像,主要用于恢复字符的边缘信息。在网络的学习过程中,图像每个位置特征的重要程度都不相同,字符边缘包含的特征要比字符内部填充的颜色特征更重要,车牌中背景的部分应该获得的关注度则最低,甚至可以忽略;而图像中每个通道特征的注意力权重也各不相同。针对这一特点,对空间级注意力机制和通道级注意力机制进行融合,空间级注意力机制侧重于图像空间位置特征关注度的学习,通道级注意力机制则用于区分特征图中各通道的重要性。（2）本文的第二项工作为基于梯度重构超分辨率网络的微小车牌识别研究。将梯度图作为超分辨率重构的先验信息可以指导网络学习图像的高频信息。基于梯度重构的超分辨率网络相比普通的单图像超分辨率网络模型,多了一条梯度重构分支,该分支的输入为低分辨率图像对应梯度图,输出为超分辨率图像梯度图,梯度重构分支包含与原先分支类似的结构和基础模块,特定网络层的特征图作为辅助特征与超分辨率分支的特征进行融合以增强网络的表征能力。新增的梯度损失分别计算梯度重构分支输出的超分辨率梯度图、超分辨率图像对应梯度图与真值图像梯度图间的损失,能够有效地恢复出低分辨率图像的边缘细节。（3）本文的第三项工作是将双路注意力模块嵌入到梯度重构超分辨率网络中,网络的总体框架采用梯度图作为重构分支,超分辨率分支和梯度重构分支中的基础模块采用双路注意力机制的同时保留了ESRGAN中残差密集块的结构。实验结果表明,相较于单独使用双路注意力机制和梯度重构分支,二者的融合不论是对超分辨率图像质量的提升,还是对最终车牌识别精度的提高都有进一步的增益,同时也表明了双路注意力机制和梯度重构分支良好的泛化能力和可实施性。