伴随着科技不断地进步，智能交通领域也在不断地创新。而现今的智能交通领域的飞速发展离不开车牌检测和识别算法，近年来这方面的研究取得了突破性进展。然而，虽然现有的算法在简单场景下有较好的识别效果，但是如果在夜晚、冰雪、倾斜和模糊等复杂多变的场景下，现有算法的识别效果依旧不太理想。因而准确地实现车牌的检测和识别，仍然是一个充满挑战的任务，主要的困难在于自然场景中的文本干扰(如广告牌、道路指示牌等)以及复杂多变的环境如不同的光照、倾斜、冰雪遮挡以及模糊等。为此本文针对不同环境下的车牌识别开展了基于改进的FasterR-CNN(Faster Regions with CNN)的车牌识别技术研究。
　　首先论文对传统车牌识别算法的国内外研究现状进行分析，其算法步骤大致分为车牌定位、字符分割、字符识别。因为每个步骤彼此之间互为关联，极易出现细小误差的放大和叠加，从而导致准确率大大降低。所以为了提高车牌识别算法的准确率，应该跳过字符分割阶段来避免误差放大。
　　其次车牌定位的准确率直接地影响整个车牌识别算法的识别率，所以本文用ResNet网络作为主干网络来减少信息丢失、损耗，从而保护信息的完整性。采用RNN+BLSTM+CTC来增强字符识别准确率。数据集采用开源的中国车牌数据集(CCPD)，从中筛选出共8万多张以夜晚、倾斜度、模糊、积雪等分类的车牌照片，然后通过ModelArts的辅助和人工标注的方法制作了四种不同环境的数据集。
　　最后对本文提出的网络模型进行训练和测试，并且与其他的车牌识别算法进行了实验对比和分析。从实验结果可以看出，在复杂多变的环境中，本文提出的这种端到端的车牌识别网络具有较高的识别率和准确率。