目前针对特定环境的车牌识别技术已取得了比较成熟的研究成果。车牌定位、字符分割、字符识别作为传统车牌识别算法的基本步骤,由于相互之间具有较强的依赖性,容易出现误差积累甚至误差放大的情况。在光线不足或者车牌模糊等复杂环境中,车牌定位误差和字符分割误差会严重影响车牌字符识别的准确度。车牌定位的准确度对整个车牌识别算法的识别率起着决定性作用。本文利用Opencv实现了传统的车牌定位算法,同时对现有的目标检测神经网络进行了优化,实现了基于深度学习的车牌定位算法。本文通过两种车牌定位算法的实验对比,发现基于深度学习的车牌定位算法具有较强的鲁棒性。在基于深度学习的车牌定位过程中,既然车牌区域可以作为检测目标,则每个车牌字符就可以作为检测目标,但是字符区域比车牌区域小很多,检测难度更大。所以,本文结合深度学习技术对车牌识别进行了深入研究,提出了一种端到端的车牌识别方法。该方法首先利用深度神经网络提取基础特征,然后在基础特征上利用一种尺度变换策略提取多尺度特征,最后将多尺度特征输入到位置回归层和类别分类层,完成对车牌和字符的定位和识别。将所有网络层作为一个整体进行训练,训练完成后得到的车牌网络模型可以实现端到端的车牌识别。这种方法不再分步进行车牌定位、字符分割和字符识别,而是直接对一张车牌图片进行识别,输出车牌号码,从而避免了分步识别带来的误差积累和误差放大的问题。本文收集了复杂环境中的2000多张车牌图片,通过机器辅助和人工标注的方法制作了四个不同环境中的训练集和测试集,对端到端的车牌识别网络进行了训练和测试,同时与传统的车牌识别算法进行了实验对比。实验结果表明,本文提出的这种端到端的车牌识别方法在复杂的环境中具有较高的识别率和较强的鲁棒性。