车牌识别已广泛应用于自动收费、违法抓拍、监测报警等场景中,但其算法实现千差万别,且其性能也严重依赖学习及测试数据集。受采集时间、天气、图像传感器安装位置,遮挡,污损等因素影响及限制,所采集的真实场景图像数据在数量上非常有限,质量上极不均衡,成像空间也很不完备,再加上用户个人隐私等原因,无法形成统一公开完备学习及测试数据集,从而导致车牌识别算法性能评测缺乏说服力,难以防御对抗样本的攻击,继而严重阻碍该技术进一步发展,并造成巨大技术安全隐患。本文旨在通过真实和虚拟图像混合,传统数据增强方法与循环生成对抗网络（Cycle GAN）相结合的方法建立一个大量近真实的公开车牌图像数据集。本文的研究思路采用两种数据生成的方法生成车牌图像,包括:（1）加噪、光照变化、加强内容结构、几何角度变换的传统数据增强方法（2）循环生成对抗网络（Cycle GAN）深度学习的数据增强方法。利用少量样本生成大量数据的思想,也就是小样本的思想,用这两种方法来扩充样本容量,便于实验对比和检测分析,可满足不同现实情况生成充足正确的车牌样本。传统数据增强方法（加噪、光照变化、加强内容结构、几何角度变换）比较直接,通过改变图像参数,用传统的方法根据原车牌图像生成更多的车牌图像,但是不能覆盖各种场景,图像也不具有代表性。所以本论文也结合了循环生成对抗网络（Cycle GAN）深度学习的方法生成车牌图像,而且Cycle GAN并不需要成对的数据集来进行训练,节省了人工对照标注的环节。另一方面,传统的车牌数据增强方法既可以与循环对抗网络形成对照,又可以作为循环生成对抗网络的约束,反过来训练循环生成对抗网络,用来优化训练模型,用数据拟合的方法给生成的虚拟图像加约束,提高算法的性能,能让得到的样本数据更有几何意义,图像更加贴近真实。最后设计了一个端到端的车牌识别网络来验证生成的车牌数据库的准确率,发现用Cycle GAN的方法生成的车牌数据,相比GAN减少了模式坍塌的情况,生成的图像效果更好更清晰,而且数据类型具有多样性且识别准确率更高。此研究建立的大量近真实的车牌数据库,可以用整个数据库进行全面测试和实验,检测车牌识别方法或者网络的整体性能,也可以根据不同数据增强的方法分为各个典型的子数据集进行分类研究,如子数据集可分为真实的车牌图像、虚拟生成的车牌图像、还有对抗样本,以供不同需求来训练模型和车牌检测识别实验,处理各种不同情况下的问题。