随着城市机动车数量快速增长,机动车鸣笛等交通噪声对城市环境的影响也越来越大,在禁鸣路段鸣笛的现象时有发生,干扰了市民的正常生活。为了监控机动车的违章行为,交通管理部门在部分路段安装了鸣笛抓拍系统。鸣笛抓拍系统可以定位违章鸣笛车辆的具体位置,为了处罚违章鸣笛车辆,需要识别车辆的车牌号码。使用人工识别车牌号码费时费力,而现有大多数车牌识别算法在一些受限的场景中获得不错的识别效果,但在声源定位这种开放式环境中表现不佳。因此,针对声源定位场景下的车牌容易面临小目标和干扰因素多等问题,本文提出了一种面向声源定位的车牌识别算法,该算法由三部分组成:鸣笛车辆检测部分、车牌检测部分和车牌字符识别部分。其中,车牌检测和字符识别部分是算法的核心,本文着重对这两部分进行算法设计。本文主要的研究工作和贡献如下:在鸣笛车辆检测方面,本文应用了基于YOLOv3的鸣笛车辆检测算法。首先,本文分析了两类不同构建思路的目标检测算法的特点,考虑检测模型的召回率和精度及运行速度,选择了YOLOv3算法用于鸣笛车辆目标检测,测试结果显示该算法可以有效地检测车辆目标。在车牌检测方面,本文提出了一种基于改进的YOLO-Fastest的车牌检测算法。该算法引入了SPP结构,并针对车牌在声源定位场景的小目标特点对YOLO-Fastest网络结构进行改进,提出了两组具有不同特征金字塔结构的检测网络方案。然后通过实验对这两组方案进行验证,实验结果表明具有三层特征金字塔结构的网络在多种复杂环境下的检测精度更高,因此本文选取该网络用于车牌检测,并称为YFLPD（YOLOFastest License Plate Detector）。与现有的一些检测算法相比,YFLPD在公开数据集CCPD上展现了优异的性能。在车牌字符识别方面,本文提出了一种基于改进的CRNN的车牌字符识别算法SDELPR（STN-DOConv-En CTC License Plate Recognition）。该算法包含四个模块:基于空间变换网络的车牌校正模块、基于深度过参数化卷积改进的卷积特征提取模块、基于双向LSTM的序列标注模块和基于En CTC（Maximum Conditional Entropy Regularization for CTC）的序列解码模块。为了解决扭曲和倾斜车牌的问题,引入了具有薄板样条变换的空间变换网络对车牌进行空间变换和对齐。为了能提取更丰富的特征信息,特征提取阶段采用了深度过参数化卷积来执行卷积操作。然后利用双向LSTM网络对提取到的特征进行序列学习,输出序列特征对应的标签分布。最后针对传统的CTC（Connectionist Temporal Classification）算法容易导致网络过拟合的问题,本文采用En CTC算法进行序列解码,输出最终的识别结果。本文使用公开的CCPD数据集和Open ITS数据集对所提算法进行验证,实验结果表明本文提出的算法优于现有的基于深度学习的车牌字符识别算法,在Open ITS数据集的识别准确率达到了96.31%,在CCPD基础子集的识别准确率达到了99.80%,CCPD数据集总体的识别准确率达到了84.46%。