智能交通系统(ITS)是一种应对当前交通管理的有效解决办法,而车牌识别技术(LPR)作为ITS的一个重要技术点,对于道路交通管理与控制有着重要的现实意义。国内外研究人员也一直对车牌识别技术展开深入的研究,主要是通过基于图像处理和模板匹配的方法来实现,在图像结构层次清晰的场景下适应能力较好,但较大程度上依赖于图像结构的先验知识。本文通过对车牌识别系统中车辆定位、车牌定位,车牌字符分割和车牌字符识别四个部分进行分析和研究。基于卷积神经网络技术,设计和实现了一个完整的车辆号牌识别系统,并通过该系统的应用服务接口模块为第三方应用提供车辆号牌识别功能。本文的主要工作包括:(1)在研究近年来关于图像目标定位的方法后,发现基于R-CNN(Region-based Convolutional Neural Networks)目标检测可以将卷积神经网络应用到图像目标检测上。为此,本文提出基于R-CNN车辆定位与车牌定位方法,通过目标检测算法找到车牌位置,将目标检测问题转化成分类问题,从而改善以往直接基于图像处理的车牌定位算法的准确性。(2)本文通过分析比较当前主流的车牌字符识别方法,如模板匹配、统计分类器、人工神经网络,发现基于卷积神经网络的图像分类器具有对目标图像形变不变性。可以利用卷积网络的空间关系,减少分类器训练参数数目,从而提高训练能力。通过基于卷积神经网AlexNet实现车牌字符识别,字符图像可以直接作为网络的输入,避免了图像特征提取和数据重建过程,并且可以提高泛化能力。(3)本文通过分析比较当前主流的字符分割方法,提出对车牌图像先进行字符聚类,再进行投影分割。改善了传统基于投影或模板匹配分割等方法中字符断裂等问题,增加系统的抗干扰能力。本文设计和实现一个完整的车辆号牌识别系统,并对系统进行了测试。该系统包括数据采集、数据预处理、系统管理、车辆定位、车牌定位、字符分割、字符识别以及第三方接口调用等模块。