车牌识别系统被广泛应用于现实生活中,如收费站、停车场、十字路口等,这些具体的应用能够有效缓解交通拥堵现象,起到节省人力成本、提高效率、改进管理模式的作用,同时它也是智能交通系统的重要组成部分。深度学习算法是目前机器学习领域的研究热点,被广泛应用于图像识别、语音识别、人脸识别、自然语言处理等领域。因此本文的研究具有一定的理论意义和实用价值。本文系统由车牌定位、字符分割和字符识别三个模块组成。作者在对各模块的几个常见算法进行研究的基础上,提出应用深度学习算法的改进,最终实现算法的工程转化和系统应用。主要工作如下:1.对比分析深度置信网络、堆栈自编码网络和卷积神经网络的结构特点,指出它们在图像领域应用的优势或不足,确立卷积神经网络作为本文的应用算法;2.研究国内车牌的规格和特点,在此基础上分析几种常见定位算法的优缺点,根据本文定位算法的设计原则提出改进方法,即利用数字图像技术实现对图像中疑似车牌区域的快速提取工作,避免深度学习算法的全图扫描花费。其中,候选区域的提取依据是车牌的两个显著特征(边缘和颜色),再结合矩形特性进行粗筛选。对于得到的候选区域,算法利用分类性能优异的Alex Net模型进行真伪判决;3.由于深度学习与字符分割算法的契合度不高,因此作者在参考现有几种字符分割算法的基础上,结合已收集的车牌数据,实现本文的字符分割算法。该算法采用常规的数字图像技术实现,即先后利用Hough变换、OTSU阈值分割及Radon变换等预处理技术得到便于字符切分的情形,然后根据车牌的先验信息和投影特征实现字符切分;4.根据系统对鲁棒性和识别精度的性能要求,本文采用深度学习算法进行字符识别的改进。在对传统Le Net-5模型有一定理解的基础上,结合车牌字符的特殊性对模型提出几点修改并训练了两个网络分别用于数字/字母类和汉字类的识别;5.设计了小区车牌识别系统的软硬件部分,在VS开发环境中利用Open CV库等技术手段实现本文算法的工程转化并成功应用于系统中。