智能交通时代,通过摄像头监控车辆动态并进行监督已经是必不可少的车辆管理方式,摄像头监管车辆的一项重要技术就是车牌检测识别技术,它可以快速便捷的通过机动车辆车前车后的标准车牌确认车辆身份。但是对于一些大型车辆,监控视角受限以及标准车牌的磨损严重、污渍附着等问题使得摄像头无法拍摄到合适的标准车牌,车牌的检测识别技术难以获得准确的识别结果,于是本文通过研究非标车牌的检测识别来解决此问题。非标车牌与标准车牌的内容相同,非标车牌尺寸比车牌更大更容易检测,但是沿用传统的交并比度量方法对非标车牌检测模型训练并不能实现最适合识别的检测结果。因此,本文针对如何构建一个更有效的非标车牌检测识别模型展开研究,主要内容如下:构建了一个大规模的非标车牌数据集。该数据集由19508张监控场景下的图像构成,包含17296张训练图像和2012张测试图像。该数据集包含了大部分的实际应用场景,特别是包括文本模糊、遮挡、手写体、污染、低光照、强光照、复杂背景和多非标车牌的场景,并且包含了一部分复杂条件交叉的场景。数据集同时涵盖了包括客车、货车、挂车、专项作业车等多种车型。提出了一种面向非标车牌识别的边界加权度量方法。非标车牌文本基本都是横向文本且具有特殊含义,边界框的四个边界的收缩或者扩大对识别内容正确性的影响不同。因此,本文提出了面向非标车牌识别的边界加权度量方法,对已有的交并比度量方法增加边界加权模块,对每一条边界的位置赋予不同的权重,并增加非标车牌边界框宽高比的约束。将此度量应用在非标车牌检测模型上,使用该度量的检测结果能有效提升识别结果的准确率,验证了该度量的有效性。提出了一种基于边界加权的回归损失函数。虽然边界加权度量可以改善检测结果,但是对于一些文本模糊、灰尘污染等复杂的非标车牌,检测模型的结果仍带来较差的识别结果。因此,本文设计了一个边界加权损失函数,在已有的交并比回归损失函数上增加新的惩罚项,对边界框缩小或扩大的异常区域进行惩罚。在非标车牌数据集上进行了非标车牌检测识别模型的对比实验,实验验证了本文提出的边界加权损失函数的结果有效提升了识别算法的正确率,且该损失函数和边界加权度量结合使用可以得到更加准确的文本预测边界框。