随着人工智能、物联网、5G等技术的迅速发展,智慧交通在智慧城市中发挥了重要作用,而车牌识别技术在智慧交通体系中扮演了重要角色。传统的中文车牌识别方法精度低,速度慢,识别率受环境影响较大,已经远远不能满足应用要求。论文结合深度学习理论,设计了一种在自然交通场景下车牌定位和识别的端到端的深度学习模型。在检测方面,对现存的目标检测网络进行了优化,利用卷积神经网络扩展了检测深度,细化定位精度,改进了YOLOv3原有的检测网络;利用高低层不同的细粒度特征进行多尺度检测,提升了模型对小目标的检测精度。在字符识别方面,利用BGRU与CTC的联合结构来优化字符识别网络,捕获序列中的特征之间的相互依赖性,完成对定位车牌的无字符分割识别任务,明显地改善了传统识别模式中依赖先分割后识别的方案,提升了网络的收敛速度和识别准确率,并且在处理低质量图像时依然可以取得不错的效果。在检测和识别模型训练过程中,优化了系统参数,收集多源数据,通过对数据的人工标注,清洗等预处理,利用仿射变换等方法模拟复杂场景下获取的车牌图像,制作了高质量的数据集,使模型的训练效果得到了一定的提升。课题将基于深度学习技术的检测模块和识别模块进行结合,集成为一个完整的端到端的车牌识别系统,并在普通场景和复杂场景中对系统性能进行测试。实验结果表明,相比于传统已有的车牌识别技术,改进的方法极大地提高了车牌识别速度和准确率,具有较好的鲁棒性和可靠性。