车牌的检测与识别是智能交通领域的重要研究问题,近年来,特定场景下的自动车牌识别有着较为广泛的应用。但复杂场景尤其是不确定拍摄视角下的车牌识别仍具有一定的挑战。深度学习算法对标注数据以及算力有着较高的要求,如何廉价地获取标注数据以及加速算法推理过程使其可以应用到实际场景中,也是值得研究的关键问题。针对以上问题,本文将对非限定场景中车牌的检测与识别及数据自动标注方法展开研究,论文主要工作如下:（1）针对基于深度学习的车牌检测与识别相关算法标注数据缺失的问题,提出了基于仿真环境的大规模车牌数据集合成方法。通过构建三维虚拟场景以及对场景中车辆模型、车牌、环境、光照的随机组合,自动合成图像以及生成可用于检测与识别任务的标注数据,大大降低人工标注成本。（2）为了应对复杂不限定场景中的车牌检测任务,提出了基于特征融合的车牌角点检测模型,在提取目标特征的过程中对不同尺寸特征图进行了融合,提升网络对车牌目标的感知能力。对于不确定拍摄视角改变带来的透视形变,提出了使用角点坐标代替传统检测算法中轴对齐包围盒包裹目标的方式,对车牌的透视形变进行恢复。为了使修改后的检测模型能使用较低的计算资源,提出了基于通道剪枝的车牌角点检测模型,在原有的模型基础上,通过卷积层后增加批归一化层对当前通道价值进行判断,去除对模型推理无用的通道,在精度不降低的前提下,提升模型推理效率。（3）对于车牌文字的识别,针对中文车牌中字符长度不定以及行数不定的情况,通过与检测算法的配合,对双行车牌进行分类、矫正、分割后拼接,使其成为特殊的单行车牌,最后通过不定长识别模型进行有效地识别。最终完成自动车牌识别流程的实现,通过组合模型可以对中国大陆地区任意类型车牌进行有效的检测与识别。