对于智能交通系统,车牌识别技术是最为基础也是非常关键的一个功能。近年来特定环境下的车牌识别技术已经达到了很高的精度。但是车牌识别是一种对外部光照环境比较敏感的技术。在一些光照环境不好、拍摄距离远且角度不正、夜间大灯等复杂环境影响下,会严重影响车牌图像质量。从而导致车牌字符退化,影响识别率。论文结合近年来的深度学习理论展开车牌识别研究,主要工作如下:1.对于车牌相似字符识别问题,提出了基于深度学习的特征提取和识别方法。该方法首先对字符图像进行归一化处理。然后以归一化后的图像为输入,构建五层深度网络对相似字符由低层到高层的特征表达。在特征提取层定义上采用对字符边缘特征敏感的卷积函数,从而能够对相似字符的局部差异进行分析。实验分析表明,和支持向量机等传统方法相比较,论文算法能够显著提高相似字符识别准确率。2.针对车牌多字符识别效率问题,提出了集成深度学习的多层次车牌识别系统。算法首先采用支持向量机对字符进行统计分类。然后对相似字符时采用卷积神经网络进行识别优化,得到车牌识别结果。实验结果表明该方法不仅能够保证车牌字符整体识别率,而且避免了全部采用深度网络所导致的识别速度慢问题。3.设计和实现车牌识别系统。在上述算法研究基础上,设计实现了车牌识别系统。系统通过动态链接库技术完成车牌识别核心算法的定义,方便二次开发和应用接口。然后构建车牌识别应用,实现图像的导入和识别。