车牌识别是现代智能交通系统的一个重要组成部分，在车辆收费管理、出行时间测量、公共停车场安全防盗管理、机场、港口等出入口车辆管理、道口检查站车辆监控、小区车辆管理、闯红灯等违章车辆监控、交通流量检测、交通控制与诱导、被盗车辆及特种车辆的鉴别等场合中发挥着重要作用。虽然对于车牌识别技术已经有较多的研究，但是自然场景中，由于天气、光照、拍摄角度、拍摄地点以及磨损变形等因素的影响，实时准确的视频车牌识别仍然面临很大的挑战。　　本文设计并实现了一个自然场景下的视频车牌识别系统，主要工作包括车牌定位、车牌和字符校正、字符分割和字符识别几个方面。　　(1)在车牌定位阶段，提出了一种由粗到精的车牌检测方法。首先，利用车牌所设定的底色特性，用RGB颜色空间信息对车牌区域进行粗定位；其次，对车牌图像和自然场景图像进行分类深度学习，用深度学习分类器对粗定位的候选区域实现精定位，该方法可以快速准确地定位车牌区域。　　(2)由于非正面拍摄导致的车牌倾斜，以及车牌褶皱等原因导致的车牌上的各个字符不严格局限在一个平面上引起透视畸变，本文首先采用Hough变换估计车牌的倾斜角度从而对车牌进行水平校正，并提出一种投影宽度最小化的字符校正方法，对分割出的单个字符进行了进行透视畸变校正。　　(3)在字符分割部分，采用基于投影轮廓的字符分割方法，解决因字符粘连和字符断裂造成字符分割不准确的问题。　　(4)在字符识别阶段，本文根据字符的类型，分别设计了汉字分类器和字母、数字的混合分类器。对于汉字字符提取其纹理和Hu矩特征并结合BP神经网络进行分类；对于字母和数字字符提出一种基于深度学习的分类方案，该方法显著地提高了相似字符的识别精度。　　本文采用了大量的视频车牌图像对本文提出算法进行了测试实验，车牌检测的正确率达到94.3％，车牌汉字字符的识别率达到了91.07%，车牌非汉字字符识别率是99.1%，整体的车牌识别率达到90.62%，实验表明，本文提出的算法精度高，有较好的鲁棒性。