车牌识别系统由于其便利性和识别准确度,在现实生活中被广泛使用。随着深度学习的快速发展,车牌识别系统一般都采用深度神经网络,车牌识别的速度和准确度得到了极大的提高。然而,近几年研究人员发现,虽然深度神经网络的识别效果很好,但却非常脆弱,深度神经网络很容易被精心构造的对抗样本攻击,从而导致车牌识别系统出错。本文研究基于深度神经网络构造的车牌识别系统的安全性,通过攻防技术的研究与实现,希望提升车牌识别系统的鲁棒性。本文中使用近年来较为热门的深度神经网络对抗方法对车牌识别系统进行探究。利用Hyper LPR开源车牌识别库搭建车牌识别系统。针对Hyper LPR系统中的Haar级联分类器的车牌检测方法进行改进,增加了近几年的深度学习研究成果之一YOLO目标检测算法。基于此,搭建并训练YOLO网络模型,经过实验对比可以看出,基于YOLO的YOLO车牌检测方法比Hyper LPR识别方法速度更快,准确率更高。在此基础上,对搭建的Hyper LPR车牌识别系统进行车牌攻击研究,结合FGSM、BIM、PGD等攻击算法,对车牌系统进行攻击,产生对抗车牌数据。同时,在产生对抗车牌数据时,攻击方法中增加提高攻击效果迁移性的相关算法（如:添加momentum动量,进行随机变换操作等）。实验验证,产生的车牌对抗样本不仅将Hyper LPR车牌识别系统攻击成功,同时对Face++、Baidu等车牌识别系统也有效,具备一定的迁移性。针对攻击,本文也引入了对抗训练和输入数据随机变换两种常见的提高模型防御能力的方法。最后,为了更方便展示以上研究成果,本文搭建了基于车牌识别的攻防系统,通过网站的交互方式把Hyper LPR车牌识别系统、基于YOLO模型的车牌识别系统以及针对车牌识别系统的攻防算法进行集中展示。本文通过对车牌识别系统的攻防对抗研究,提高了车牌识别系统的鲁棒性,能够减缓对抗攻击的破坏性,对于攻防对抗研究具有积极的促进意义。