智能交通系统（Intelligent Transportation System,ITS）是一种交通服务系统,能够有效的缓解交通压力,降低事故风险。自动车牌识别（Automatic License Plate Recognition,ALPR）作为ITS的重要组成部分,已经被广泛应用于交通管理、道路交通检测以及自动收费等领域。ALPR系统通常包含车辆位置检测、车牌位置检测和车牌字符识别这三个子任务,其中车辆位置检测为可选子任务,在得到车辆位置后检测车牌,能够有效的提升车牌的检测识别精度。目前的ALPR系统主要使用传统图像处理算法和深度学习算法来识别车牌。采用传统图像处理算法的ALPR系统抗干扰能力较差,一般用于停车场、社区门禁等固定场景。而采用深度学习算法的ALPR系统鲁棒性较强,可以有效的克服环境干扰,常用于自然场景下的车牌识别。当ALPR系统应用于相机和车辆之间存在快速相对运动的场景时,相机捕获到的图像中经常会出现运动模糊,这严重的影响了车牌的识别精度。尽管现有的车牌识别算法取得了一定的研究成果,但是很难高效的去除车牌图像中可能出现的运动模糊,仍然存在模糊车牌识别精度较低和处理速度较慢的问题。针对上述问题,本文以自然交通为场景,提出了一种基于深度学习的模糊车牌识别算法,该算法由车辆去模糊检测算法和车牌检测识别算法组成。本文的研究工作及贡献内容如下:（1）针对现有车牌识别算法的模糊车牌识别精度较低的问题,提出了一种车辆去模糊检测算法（Vehicle Deblurring and Detection,VDD）。VDD算法利用内卷积算子对D2Net去模糊检测算法的主干网络进行改进,有效的提高了D2Net算法的去模糊检测能力和处理速度。该算法不仅能精确的检测出图像中的车辆位置,还能高效的去除图像中可能存在的运动模糊,可以有效的提升模糊车牌的检测识别精度。实验验证了VDD算法的有效性。（2）针对现有车牌检测识别算法的处理速度较慢的问题,提出了一种轻量级的车牌检测识别算法（Light License Plate Detection and Recognition,Li-LPDR）。Li-LPDR算法采用轻量级的Ghost Net作为主干网络,并且有效的融合了YOLOv4目标检测算法和Transformer特征编码器,能够通过一体化的网络结构来检测车牌位置,识别车牌字符。Li-LPDR算法无需对车牌进行字符分割和位置矫正,可以准确的识别VDD算法输出的车辆图像中不同长度、不同地区的车牌字符,该算法的占用内存小、计算效率高、抗干扰能力强。实验验证了Li-LPDR算法的有效性。在公开车牌数据集CCPD上对提出的算法进行验证,实验结果表明:VDD算法和Li-LPDR算法共同构成的模糊车牌识别算法提高了模糊车牌的识别精度和处理速度。本文的研究工作对推动未来模糊车牌识别算法研究的发展具有重大参考价值。