近年来,随着智能交通概念的普及,车牌检测与识别应用已经遍及我们生活的方方面面,包括小区的停车场收费系统、路口的违章监控系统、交警的移动手持警务系统等。伴随着深度学习的出现,基于神经网络的车牌检测与识别算法在识别准确率上得到了进一步的提升。与此同时,复杂多变的应用场景对算法的准确率提出了更高的要求,如何使系统稳定工作在更加复杂的环境成为了近年研究的重点。本文首先对国内外的相关工作进行了调研,从基于传统图像处理方法的车牌检测与识别,到基于神经网络的车牌检测与识别。经过调研发现,在光线复杂的环境下,尤其是光照不足的环境下,现有的车牌检测算法准确率较低。针对这一问题,现有工作主要采用图像增强的方式来解决,先将图片恢复到正常光线环境下的状态,再进行检测和识别处理。这虽然提升了检测准确率,但对硬件资源造成了额外的负担。本文针对上述问题,研究了基于深度学习的自适应车牌检测算法,即针对不同的光线场景自动切换检测网络的部分权重,使得网络在正常光和暗光场景下都能保持较高的检测准确率。同时,对识别网络进行了部分改进,使其更易移植到硬件中。接着,考虑到神经网络对算力的需求,以及车牌检测和识别系统趋于终端化特点,本论文基于上述算法研究了可配置神经网络加速硬件架构。完成了卷积,池化,偏置,网络数据处理等模块的设计与实现。并通过配置两种不同的并行模式,实现了乘法器的高效利用。在此基础上,本文对研究的算法和硬件进行了实现与实验分析,通过实验发现,本文研究的自适应车牌检测算法在暗光图片数据集中,检测准确率相比原始模型有6.2%的提升。同时本文的硬件设计在INT8精度下,和算法的平均数据误差为4.3%。并且在工作频率100MHz的情况下,达到了每秒22帧的帧率。最后,本文对所有工作进行了总结,分析了算法设计与硬件设计的不足,并对后续改进工作进行了展望。