智能交通系统通过对道路情况进行实时监控与智能管理,有效地提高了交通运输效率,减少了交通事故。车牌识别作为智能交通系统中重要的一部分,使智能交通系统更完善、更方便。但是由于车辆的运动模糊、设备散焦模糊、监控设备自身像素低、雨雪天气影响、拍摄环境黑暗或强光照射等因素,造成监控视频质量较低,增加了车牌识别的难度。本文分析了低质量监控视频中车牌识别的难点,对车牌图像预处理、车牌字符分割、车牌字符识别、端到端车牌识别等关键技术进行了深入研究与实现。研究成果主要有以下几点:1、对车牌识别相关理论进行介绍,提出两种车牌识别框架:基于字符分割的车牌识别框架和端到端车牌识别框架,对两种识别框架进行分析研究。2、针对基于字符分割的车牌识别框架,提出了滑动窗口字符分割算法及双字典学习车牌字符识别算法。滑动窗口字符分割算法将滑动窗口分割结果与识别误差结合,每滑动一次进行一次识别,选取识别误差最小的窗口进行分割,能对低质量监控视频中的车牌取得较好的分割效果。在识别环节,采用双字典学习模型对传统字典学习进行改进,在保证识别率的情况下大大提升了运算速度。3、分别对上述字符分割算法和字符识别算法进行改进,提出了连通域分析与回归模型结合的字符分割算法及基于卷积神经网络的字符识别算法。连通域分析与回归模型结合的字符分割算法,能自适应地提取字符宽度和字符位置,对多种类型的低质量车牌都能得到精准的分割结果。在识别环节,采用卷积神经网络,建立了52万车牌字符训练库,搭建了10层网络结构,根据车牌字符特征对常见网络的参数进行优化,能对低质量监控视频中的车牌字符取得较高的识别率。4、针对端到端车牌识别框架采用深度学习的方法,卷积神经网络中通过“卷积—激活—池化”可以实现特征的提取,搭建了由3个“卷积—激活—池化”模块组成的深度卷积网络和全连接网络,并用来实现多标签学习,相对于基于字符分割的车牌识别能取得更好的识别结果。