在智能交通管理中,对于车辆的身份识别离不开车牌检测技术的支撑,目前基于深度学习的车牌检测研究已经日臻完善,但是对于大型车辆而言,容易受监控视角和车身污渍等影响导致车牌检测算法难以获得车辆身份信息。根据道路安全法的相关规定,大型车辆需要在车尾区域喷涂非标车牌,于是本文通过研究非标车牌检测来解决上述问题。与标准车牌相比,非标车牌存在字符间隔大、成像质量差和背景复杂等挑战,加大了非标车牌检测任务的难度。同时,在实际应用场景中对非标车牌检测算法的效率有着严格的要求。因此,本文针对如何构建一个高精度、实时的非标车牌检测模型展开研究,主要内容如下:（1）本文构建了一个较大规模和多挑战的非标车牌数据集。该数据集由10000张训练集图像和5000张测试集图像构成。为了保证数据集和真实交通场景数据的一致性,本文构建的非标数据集包含了众多挑战如多尺度、多方向、复杂天气条件等。此外,为了增加非标车牌背景的多样性,数据集还包含了多种类型的大型车辆比如厢式货车、大型客车、渣土车等。最后,通过高效的半自动化标注方式为数据集中的图像进行了标注。（2）本文给出了一种基于多尺度特征增强的高精度非标车牌检测模型。非标车牌数据集中存在大量的低质量成像和复杂背景等挑战,而这些挑战都会影响模型预测结果的精准性。因此,本文给出了多尺度特征增强模块,对低层特征使用通道注意力和指数增强函数来增强有效特征并削弱干扰信息,对高层特征使用注意力机制自适应融合不同层特征。另外,本文定义了非标车牌角点对象的表示,能够以紧凑的四边形来表示非标车牌区域。该模型在非标车牌数据集上取得了较好的精度,验证了该模型所给出模块的有效性。（3）本文给出了一种基于深度可分离卷积的实时非标车牌检测模型。虽然非标车牌检测算法已到达了较高的精度,但是算法的推理速度远没达到实时应用任务的需求。因此,本文使用基于深度可分离卷积的轻量级网络Mobile Ne Xt作为模型的主干网络来大幅度减少模型的计算量。另外,本文给出了轻量级的通道重组坐标注意力并嵌入到主干网络中,使得主干网络能够以极小的计算量提取关键的空间位置特征和通道特征。最后,本文还给出了分层自适应特征融合模块用于多尺度检测,该模块能够通过网络学习到重要性空间特征权重,仅利用三层特征就能够满足多数尺寸的非标车牌角点检测。通过过实验证明,该模型在保持较高精度的同时,大幅度地提高了推理速度。