定期对车辆进行安全检测是保证行车安全的重要一环,然而随着我国机动车保有量日益增多,车辆检测的工作量也随之日益繁重。车辆检测时除了对车辆进行质量和安全方面的检测外,还需要人工识别并记录车牌号码、车架号等用于确认车辆身份的信息,这对于日后对该车辆检测记录进行追溯有着重要作用。随着近十年来深度学习技术的进步,目标检测、光学字符识别等领域都有了突破性的发展,基于深度学习的网络模型在许多数据集上达到甚至超越了人类的准确率。这表明深度学习技术有能力解决现实中的问题,所以将新技术利用在车辆检测中的文本识别这样的实际工程中,并在力所能及的范围内替代人工操作,以减轻相关工作人员的工作负担,是大势所趋,也是我们关注的重点。本论文的研究和工作主要包括以下4个方面:1、选择了一种适合长文本识别的架构。本文分析了基于序列和基于字符切分两类文本识别技术路线的优缺点,并根据车辆检测图像中存在的文本较长的特点,选择了后者作为本文架构。2、利用车检中目标文本的长度固定和字符间距相等的先验知识,提出了一个改进的定长长文本的识别模型。经过测试,使用该模型对该类文本的识别准确率大幅提高。3、提出了一种基于改变测试样本分布的识别方法,提高了单字符识别准确率。在测试时引用降噪或加噪声的方法处理待识别图像,来改变样本的分布,目的是将样本可能误导模型的干扰噪声破坏掉。使用原图像和处理后图像的识别结果进行投票决定最终结果,实验表明提升了字符分类的准确率。4、设计并实现了一个车检文本识别系统。该系统使用Python编写,利用PyQt5开发了一个演示界面用于成果展示;同时还使用Django框架提供Web服务,支持在局域网内调用本系统功能。本文软件系统和功能已经通过了公安部交通安全产品质量检测中心的测试,测试结果合格。