虽然车牌检测技术已经日趋成熟,但雾霾环境下采集到的低质量图像会出现色彩及对比度等特征的衰减,降低了基于图像的车牌检测算法的准确度,这对诸如电子警察、自动驾驶等基于计算机视觉的智能化工具造成了极为不利的影响。目前针对雾霾条件下车牌检测的研究成果相对较少,因此通过研究提升雾霾条件下的车牌检测精度,对提高交通管制能力,提升不良环境下的道路安全性具有重要的实际意义。本文提出一种雾霾条件下的无锚框车牌检测算法。由于基于锚框的检测方法可能带来正负样本不均衡以及泛化性弱的问题,所以本文使用车牌四个边界点的回归代替目标锚框的检测,而且从检测结果的表达效果来说更适用于现实中多角度拍摄的车牌图片。由于去雾算法可能带来的降质、误差累积等问题,而且不同的去雾霾算法适用性不同,所以本文在不对雾霾图像进行去雾霾处理的前提下进行检测,避免了去雾霾算法可能带来的不利影响,并极大程度地保留了图像中的原始信息,避免了与检测相关的有益信息的丢失。由于雾霾图像中特有的传输率信息并没有被其余的相关研究方法所利用,本文将直接传输率图作为网络一个额外的深度信息输入源,一方面针对性地加强了对雾霾图像信息的利用,另一方面因为直接传输率图可以反映深度信息,其加入能够增加网络的深度感知能力并丰富学习特征。网络结构设计方面:（1）在多尺度检测框架特征金字塔（Feature Pyramid Networks,FPN）的基础上,提出了对称FPN模块,对雾霾图像及其直接传输率图进行并行特征提取,以满足车牌多尺度变化以及网络多输入源的特点;（2）提出了结合空洞卷积和注意力机制的特征分步融合模块,整体采用先粗融合再细融合的方式,并分别设计粗融合卷积块和细融合卷积块,探索由不同特征源提取到的互补信息,促进不同来源特征的协同表示和渐进融合,并且有利于梯度反向传播。（3）为了得到更好的检测精度,结合DIo U（Distance-Io U）损失函数和二维高斯损失函数,提出一种新的复合损失函数来提高检测精度;（4）为了防止特征提取过程中出现特征丢失,通过捕获图像特征中的远程依赖关系来增强特征表达,结合多尺度多分支的卷积设计了特征增强模块,从其他位置集合信息来增强当前位置的特征。与几种先进的方法相比,本文所提车牌检测算法强化了对雾霾图像信息的利用,能够在合成图与真实图的综合实验中有效提高雾霾条件下的车牌检测精度。