随着城市的发展，道路的延伸，城市管理不可能再像过去那样花费巨大的人力成本，智慧城市、智能交通等相关概念呼之欲出。车牌识别系统在卡口、道路监管等常规场景下已经发挥重要作用。但在鸣笛抓拍、行车记录仪等非常规场景下，车牌识别的效果还有待改进。本论文研究了车牌识别系统相关算法，并针对非常规场景下识别率低的问题，利用相关的机器学习模型进行改进。为了方便说明和研究，本论文把车牌识别系统分解为车牌检测、字符分割以及字符识别三个模块。
　　1．基于快速特征金字塔级联分类器（Fast Feature Pyramid Cascade，FFPC）改进的车牌检测模块。该模块作用是检测车牌的存在和位置。本文针对现有车牌检测算法自适应性差，检测速度较慢的问题，改进了基于FFPC检测器算法，显著提高了的车牌检测速度及自适应性。在此基础上，本文构建一种基于深度学习的车牌验证网络，在不损失召回率的同时，提高了检测的准确性。另外，为了进一步提高检测结果的精确度，提出一种精定位算法，为图像像素分割提供了新思路。
　　2．基于多频全局匹配的字符分割模块。该模块的作用是从车牌图像中分离出七个字符，分为倾斜校正和字符分割两部分。在倾斜校正部分，本文研究了一种投影校正方法，并改进了其倾斜度量标准，提高了对大倾角车牌的适应能力。在字符分割部分，针对分割不准确问题，本文提出一种多频全局匹配算法。实验证明，本文所提出的算法获得了显著效果，尤其在非常规场景下鲁棒性更强。
　　3．基于改进的对抗网络数据增强的字符识别模块。针对字符识别率不高的问题，本文提出一种新颖的车牌字符数据集扩充方法，这为后面的训练过程提供了更多的样本。我们使用改进的二级分类支持向量机实现字符识别，并证明扩充样本有助于识别准确率的提高。另外，本文所提出的数据集扩充方法不需要人工标注，极大地降低了研究成本，并且可以根据不同需要灵活修改成生成样本的特点，具有推广意义。
　　本论文的相关实验默认在因特尔酷睿第七代i5处理器下运行，如有特殊情况，将在相关部分特别说明。因为没有公开的车牌测试数据集，实验结果均以本实验室的测试数据集为准。本文改进的算法将与那些基础算法做比较，大量的实验都证明本文提供的优化让系统获得了更强的鲁棒性。