车牌识别技术作为智能交通管理系统的核心环节,为智能交通的实现提供了强大的技术支持和有效的管理方法。虽然传统车牌检测系统依靠高清摄像头拍下的图片能够成功的识别车牌信息,并应用到了小区门口、停车场等一些特定场景中,但是对于场景复杂的车牌图像,传统的车牌识别技术无法准确地进行车牌定位与识别。本文针对复杂车牌图像,利用深度学习算法和计算机的强大功能,建立了基于卷积神经网络的车牌检测与识别模型,对车牌识别技术在深度学习领域中的应用有着重要的理论意义。论文从传统车牌检测算法入手,研究并分析我国车牌的特点。对于当汽车车身与车牌的颜色、纹理相似时,就会造成车牌定位出错的情况。本文给出了一种基于边缘检测和颜色信息相结合的定位方法,根据车牌的大小、形状和颜色特征对经过闭运算得到的候选区域进行筛选,能够实现车牌的快速准确定位。该方法对于蓝色车牌在小区门口、停车场等场合下具有很好的定位效果。但是对于黄色车牌、图像背景复杂、图片中有多个车牌等复杂车牌图像,该方法无法准确定位出车牌区域。为了进一步提高车牌定位算法的适用性及鲁棒性,利用深度学习的方法对车牌进行检测定位。将车牌区域检测看作是车牌区域和车牌背景区域的两类目标检测问题,提出一种基于Mask R-CNN的车牌区域检测算法。本文在硬件基础上选取ResNet+FPN网络模型来提取目标特征,并分别选取ResNet-50、ResNet-101、ResNet-152三种不同深度的ResNet网络作为Mask R-CNN模型的基础特征提取网络。最后,对比三种网络的检测率,选择检测率达到97.8%的ResNet-101+FPN网络作为车牌区域检测算法的原始特征提取网络。有效的解决了传统车牌检测算法中的难题,提高了车牌定位的检测率、网络泛化能力和算法鲁棒性。针对车牌字符类别多、背景复杂、车牌号汉字和省份简称(只能是字母)的问题,提出了一种将CNN模型分为汉字网络、字母网络和数字字母网络三个卷积神经网络进行分别识别的方法。并利用设计的CNN模型对制作的车牌字符数据集进行训练和识别。实验结果表明:三个网络的综合正确识别率可达98.58%,能够满足实际应用的要求。