车牌识别作为智能交通系统中的关键技术一直是研究的热点。研究发现,目前常用的传统的车牌检测方法在拍摄角度和光照等因素理想时具有比较好的检测效,但是在非特定场景或车牌出现污损的情况下其识别效果会大打折扣。分析发现造成车牌在非特定场景下识别效果不佳的原因主要有两个:车牌定位效果差和获取的图像质量差。基于此,本文从车牌检测过程中的车牌定位以及图像修复两个角度出发,试图对提高非特定场景下车牌检测效果进行改进,主要工作如下:(1)针对传统车牌检测算法在非特定场景下对车牌定位准确率差的情况,基于YOLOv3算法对基础检测网络进行了修改,使模型更加轻型化。同时根据非特定场景下车牌数据集的特点,对车牌检测中使用的预置检测边框进行了聚类分析,得到9个尺寸的针对车牌的预置检测框,结合多尺度检测方法,使改进的算法更适合车牌目标的检测。通过实验,证明了新的算法在车牌目标检测中的有效性。(2)为了降低图像质量造成的识别准确率低的问题,对传统的图像修复算法和生成对抗网络进行了研究分析,提出一种基于生成对抗网络的车牌图像修复增强方法。利用两个生成对抗网络从边缘和纹理方面分别对图像缺失信息恢复。此外,通过将结构损失加入模型的损失函数中,使生成器生成的图像在细节上更具真实性。通过实验,证明了算法能够有效提升污损车牌的识别正确率。以上工作对车牌定位和车牌图像的修复、增强进行了研究,对污损、模糊的车牌图像进行补全修复,对于恶劣环境下的车牌识别研究具有参考价值与一定的实用价值。