在中国城市化进程中,交通拥堵、停车场规划不善等问题日益凸显,给人们的工作、学习和生活带来不便。为构建和谐社会,交通管理的智能化成为大势所趋。车牌识别技术作为智能交通的一个重要环节,在道路信息监控、停车场管理、高速公路及桥梁收费站管理中得到了广泛应用。DCNN(Deep Convolutional Neural Network,深度卷积神经网络)作为人工智能的一个重要分支,在图像处理领域表现出比一般算法更好的性能,因此本文研究了基于DCNN的车牌识别技术,并从车牌识别的三个过程展开分析。(1)针对基于边缘信息与颜色信息的粗定位算法在环境复杂、车身纹理及颜色与车牌接近时无法获取目标区域的问题,本文基于MSER文字提取算法改进了车牌粗定位算法,该方法更大程度地保留了图像中的车牌区域,剔除非车牌区域,实验结果表明,改进后的粗定位算法鲁棒性更好。(2)在筛选阶段,现有的方法多使用特征提取器(如SIFT、HOG)加上分类器(如SVM、浅层BP神经网络)的组合来分离出真正的车牌。但是此方法未将待检测图片的所有像素进行分析,故车牌的某些特征容易被丢弃,本文在研究DCNN后设计车牌筛选网络LPC-Net,该网络接收全像素输入,从更多维度来获取车牌特征,其筛选效果优于现有方法。(3)针对投影法在分割车牌字符时不能较好解决字符粘连或中文字符不连通问题,本文将中文车牌特征作为先验信息,提出一种连通域分析法的字符分割算法,该算法在避免了投影法的缺陷后使分割速度更快。(4)车牌字符识别中使用的特征提取器加分类器的算法通常忽略了相似字符如“5”与“S”之间的细节差别,本文在研究手写体数字识别网络LeNet后,将其改进为车牌字符识别网络Res-LeNet,该网络使用大量样本学习这些相似字符间的细微特征差别,实验结果表明其识别精度优于改进前的LeNet。论文最后设计一套仿真实验,结果表明融入DCNN的车牌识别技术比起现有的识别技术在查全率上有较大提升。