车牌检测是智慧城市、智能交通系统中的一项不可或缺的主要支撑技术,已经逐步应用于停车场出入口、天网监控、高速公路收费管理站等场景。尽管很多科学工作重点都集中从视频序列中检测车牌,但在设计一个跟踪方案来进一步定位车牌检测中漏检的车牌以提高检测率方面却鲜有工作。在现有的研究基础上,面向监控视频的车牌检测与跟踪存在以下三个问题。第一,现有车牌相关研究主要集中在不同条件下的静态图像上,缺乏面向监控视频的车牌数据样本。此外,当前车牌数据集大多分辨率较高,图像清晰,与监控视频场景相比,存在较大差异。第二,基于静止图像的车牌检测方法不能随着视频帧的推进而锁定该目标的运动,并且监控视频图像分辨率往往较低,因此很容易出现目标车牌漏检的问题。第三,在监控视频场景下,由于目标遮挡和车牌形变等因素的影响,视频中的车牌容易发生漂移现象,导致跟踪性能降低。针对第一个问题,第二章创建了面向监控视频的车牌数据集。该数据集是从中国某省会城市收集到的99个监控视频,在不同的环境下录制得到,并根据场景特点分为了三个子数据集,同时标记了每个车牌的清晰度等级。本文选取较为常用的三个车牌检测算法Mobile Net-SSD、RPnet和WPOD-NET对该数据集进行验证。实验结果表明,WPOD-NET算法在该数据集上取得最好的结果,准确率为84.93%,召回率达到了70.13%。针对第二个问题,第三章提出一种视频下车牌检测与跟踪的联合框架,通过车牌跟踪弥补检测算法在监控视频场景中的不足,提高车牌检测率。为了将同一车牌目标关联到相邻帧中,该框架首先对车辆进行检测与跟踪,为视频序列中每一个车牌分配唯一的ID。然后使用WPOD-NET算法在连续帧中对车牌进行检测。最后为了利用车辆和车牌线索进一步提高检测性能,本文引入了将长短期记忆网络（LSTM）和卷积神经网络结合的车牌跟踪模型。在该模型中,卷积神经网络作为特征提取网络,使用LSTM网络来学习物体的外观和运动状态是如何随时间变化,将神经网络的学习和分析扩展到空间和时间领域。实验结果表明,在真实的监控场景中,车牌检测与跟踪的联合框架平均召回率达到95.56%,平均准确率达到95.41%,与仅使用车牌检测算法的模型相比准确率提升了12.34%,召回率提升了36.26%,具有明显的优势。针对第三个问题,第四章提出一种基于Siam FC的目标跟踪算法,减轻目标车牌变形、遮挡对算法性能的影响。首先,针对Alex Net作为骨干网络,仅考虑浅层特征,特征提取能力不强的问题,引入Dense Net深度网络并对其进行改进,构造更强识别能力的骨干网络。然后,针对在跟踪过程中,固定不变的模板在目标遮挡、形变的场景下导致跟踪不准确和匹配误差的问题,本文结合APCE和感知哈希技术,根据首帧模板特征与后续帧提取的模板特征,制定有效的模板更新策略。实验结果表明,在OTB2015数据集上,本文方法的精确度比基准模型Siam FC提高了5.83%,成功率提高了6.64%。更重要的是,在面向监控视频的车牌数据集上,本文方法在Io U阈值为0.5时的平均召回率达到了94.78%,有效提高了车牌跟踪的整体性能。