车牌号码的准确获取是智能交通系统中最关键的部分之一,它直接决定了智能交通系统的发展速度以及技术水平。经大量研究者证明,使用卷积神经网络中的算法能很好的适应各种不同的自然场景中车牌的检测与识别。本文在分析传统的车牌检测与识别算法与卷积神经网络算法的优缺点的基础上,通过优化FasterRCNN框架和LeNet-5网络,并分别实现车牌的检测与车牌字符的识别。本文针对自然场景中车牌的检测与车牌字符的识别进行研究,主要研究内容包含以下3个方面:1)在复杂的自然场景中,通常会出现图像亮度偏低或者过暗等问题,这不利于对车牌的检测与识别。本文分析了各种图像增强算法,发现带颜色恢复的多尺度(MSRCR)算法对图像增强的表现较好。但是原始的MSRCR算法是基于R、G、B三个通道的,并且其中都包含了颜色和亮度信息,对每个通道进行增强的同时会改变原图像的颜色信息。因此,本文采用HSV中的亮度(V)通道进行增强,它对亮度增强的同时保证了颜色恒常,最后再将两种颜色空间得到的图像进行加权平均,得到一种新的高精度的基于两种颜色空间融合的MSRCR算法。2)针对复杂多变的自然场景中的车牌检测问题,本文提出了一种基于锚比例和损失函数优化的改进Faster-RCNN算法。原Faster-RCNN算法是对图像中包含背景在内的22类物体进行分类,本文只需对车牌进行检测,属于一个二分类问题,因此将原损失函数进行替换;原网络中物体的三个宽高比例与不然自然场景中车牌的宽高比存在差异,因此本文将宽高比进行了优化;为了提升训练速度,替换了原网络中的全连接层;最后在包含多种自然场景的CCPD数据集中进行实验,结果显示本文的比例优化Faster-RCNN算法对CCPD中车牌的检测在保证准确性和鲁棒性的同时也提高了算法速度。3)针对车牌字符的识别本文对第一步定位出的车牌进行二值化后再逐一分割,并将得到的7位车牌字符分为三段,且车牌字符的三段字符数分别为31个省份24个城市代号(除I和O)以及34个字符和数字组合,汉字和字符的复杂度通常比数字要高。根据以上的不同点,对LeNet-5网络的输出神经元数量、池化层算法等进行改进得到本文的优化算法。实验证明,本文算法相对于原网络精度提高了3.9%。