随着社会的快速发展与人们生活水平的显著提高,汽车拥有量日益剧增,为保障公民的安全出行以及方便对道路车流的监管,市场上已经构建了强大的视频监控系统。然而对于能直接应用于现存监控视频的车牌识别系统的研究相对较少,因此对于视频流的车牌实时识别的研究具有一定的发展前景。本文应用基于卷积神经网络的目标识别算法YOLO9000,设计了一套多路网络视频流的车牌智能识别系统,可直接应用于现有的城市监控视频中,对于收费系统、交通监控、停车场管理等实际应用有重大的实用价值。与传统的车牌识别算法相比,本研究采用深度学习的方法减少了输入图像的预处理、字符特征提取等步骤,并且允许样本数据存在一定程度的缺损,实现了多尺度图像、小目标以及多目标的检测。运用改进YOLO9000网络模型可以同时实现车牌检测与字符分割,具有良好的容错、并行处理和自学习能力,对于应用环境复杂多变的车牌识别问题更具优势,解决了传统方法速度慢的问题。经过测试,对于车牌检测、字符分割以及字符识别的精度分别达到了98.9%、97.16%与97%,具有较好的识别效果。本文设计的车牌识别系统,首先应用VLC播放IP摄像头分发的多路网络视频流,进行实时传输与解码,提取包含完成车牌信息的关键帧;然后采用多线程并发处理的方式,调用智能车牌识别算法对待处理图像队列依次完成车牌检测、字符分割以及字符识别;最后实现车牌识别结果及视频流数据的实时显示,同时完成对车牌识别结果及其附带的时间信息的统计分析,并将统计结果保存为日志信息,实现了多路网络视频流的实时、高效、稳定的车牌信息提取。