近几年来,一些基于卷积神经网络的方法应用于车牌识别领域,获得了较传统方法更好的表现。然而这些方法中的绝大多数并不能很好地适应应用场景的变化,特别是在尺寸较小的车牌识别方面,仍然存在很大的挑战。本文主要研究一种基于卷积神经网络的车牌检测方法,该方法从不同层次的特征图中生成一系列的预测区域,经过相关的图像处理算法后,获得车牌区域,从而能够检测出尺寸不一的车牌。另一方面,本文参考了基于卷积神经网络手写数字识别的案例,提出的一种基于卷积神经网络的字符识别算法,并将其应用到车牌字符识别任务。该算法不用字符分割,直接对车牌上的字符进行分类,即可完整获得字符序列。同时,本文设计了一种车牌自动生成算法,所生成的车牌与真实场景中采集的数据非常接近,减少了数据标注繁重的工作量。本文主要研究包括:1.构建了一种基于层级特征的车牌检测方法。由于卷积神经网络不同特征层上单位大小的一块具有不同尺寸的感受野,因此使用不同层次的特征层可以检测出尺寸各异的车牌,从而能够适用于不同的应用场景。2.改进了一种基于卷积神经网络的字符识别算法并应用于车牌字符识别任务。该算法不用字符分割,即可对车牌上的每个字符进行分类,从而能够迅速、准确地识别车牌字符序列。3.设计了一种车牌自动生成算法。理论上该算法可以生成无穷多个训练样本,具有仿真度高、生成速度快的特点,节约了大量的时间和人力。本文研究的车牌检测算法在公开测试数据集OpenITS上获得了 99.5%的平均精度值(average precision,AP),在自己制作的更复杂的数据集上也获得了很高的AP。综合实验表明,本文研究的车牌识别系统具有精度高,稳定性强、速度快的特点。