随着信息技术和智能技术的发展,交通管理系统的信息化、智能化是大势所趋。车牌识别系统是智能交通系统的核心组成部分,现已广泛地应用到多地。目前的车牌识别过程,存在着背景干扰较大、光照变化较快和车牌尺寸不固定等问题,进而导致了识别速度慢、识别率低的问题。本论文利用了卷积神经网络对识别二维图像的优异性,设计了一个基于卷积神经网络的车牌识别系统,并针对各个模块在车牌识别过程中存在的问题,研究并实现相应的算法,本文主要完成了以下五个方面的工作:1)在运动车辆检测方面,针对视频监控中的两种噪声,使用了中值和均值综合滤波降噪。为了保证较高的实时性,设计了基于背景差分法的车辆检测方法,差分后的图像通过形态学方式检测车辆前景。最后,测试了多种路况和光照的情况下,车辆检测模块的性能。2)在车牌定位方面,本文提出了基于形态学和边缘统计的车牌定位算法。车辆前景图片首先通过形态学一次定位车牌区域,再根据车牌特有的边缘稀疏性二次定位车牌,排除相似非车牌区域。3)在字符分割方面,针对中文车牌所特有的“.”区域,本文提出了一种基于垂直投影的双向扫描字符分割算法。通过一次水平扫描和两次垂直扫描,规避了左右边框对字符的影响,有效地分割出了字符。4)在车牌识别方面,针对传统卷积神经LeNet-5网络应用于中文车牌识别时存的一系列问题,本文设计了一种全局中间值池化(GMP-LeNet)网络,阐述了网络的结构和参数。随后详细描述了caffe框架下车牌数据的训练和测试方法,并提出了基于残差的提前停止(early stop)训练算法。最后,通过对比其他车牌识别算法,验证了GMPLeNet网络识别车牌字符的优异性。5)在系统设计方面,本文构建了基于卷积神经网络的车牌识别系统,通过设计搭建视频监控系统,并实现了一个车牌识别软件,该软件整合了各个子模块。经过测试和分析,系统的各个模块的识别率均准确率均在96%以上,系统总体的识别率为93%,识别速度约为350毫秒,在同类型的车牌识别系统中表现优异,能够基本满足实际应用需求。