大数据时代的大量数据资源,以及硬件计算资源算力的大幅度提升,使得人工智能神经网络技术得到了快速发展。近年来,城市大脑、智慧安防受到了众多研究者的关注。然而目前对复杂安防场景中车牌检测识别的研究较少,大多的论文都局限于相对单一场景下的车牌检测识别,大多数实现系统仅支持只含有一个车牌的场景和有限种类的车牌识别,而且在较小和双行车牌上识别效果较差,对于车牌属性的支持也不够多。针对传统车牌检测识别系统的不足,本文首先对车牌检测和车牌识别算法进行优化,以适应更加复杂的应用场景,提升含有多张车牌的图片中的车牌检出率,同时提升车牌识别算法在双行车牌上的识别效果。针对大角度场景下车牌变形的情况,提出了车牌矫正算法,对变形的车牌进行矫正,使识别算法的输入更加规整,间接地提升了识别效果。此外,根据实际车牌检测识别系统中的效率问题,提出车牌质量判断算法,提升了系统的运行效率,速度提升10余倍。针对不同的应用场景,本文实现了两个系统,分别是基于视频流的局限场景的车牌检测识别系统和基于图片的车牌检测识别平台系统。文中车牌检测在RetinaNet基础上对FPN结构进行优化,提出了Fuse-FPN结构。车牌矫正算法实现了含有残差和不含有残差两种结构,分别应用在不同的场景下。在车牌识别算法中,提出了双分支优化方法和TR-Attention优化方法,显著提升了双行车牌的识别准确率。车牌质量判断算法提出了 PQA(Plate Quality Judgment Algorithm)进行车牌质量的评分预测。