车牌定位是车牌识别系统中核心部分,具有较高的研究价值和应用价值。尽管近些年来取得了很大的进展,能够解决特定场景下的车牌定位问题,如交通固定卡口、车库入口和门禁等场景,但仍无法很好地解决低亮度、低分辨率和车辆倾斜等复杂环境下的定位问题。针对这些问题,本文分成了三个部分进行探究：首先对传统的基于灰度二值化图像的车牌定位方法进行了修改和实现,该算法通过将灰度化图像分成网格分块,对每一网格块进行阈值计算并完成二值化操作,获得的二值化图像中车牌字符较为清晰,利用笔画跳变和连通区域检索方法获得初步车牌候选区域,最后基于神经网络对车牌候选区域进行分类,将候选区域中非车牌进行剔除,利用该方法漏检率较高,无法完成在复杂场景下车牌定位问题,仅利用专家系统进行复杂场景下车牌定位工作行不通。为了解决这个问题,本文提出了基于卷积神经网络来进行车牌定位的方法,设计并实现了一种新的全卷积神经网络模型,通过回归车牌角点的方式准确地进行车牌定位。主要过程为将车牌区域两角点作为卷积神经网络模型回归的目标对象。由于本文设计的模型不含全连接层,保证了本模型能够处理任意尺度的图像。为了保证模型训练的有效性,本文设计了车牌和车辆标注系统,并对45,000幅图像进行人工标注。在模型训练前对标注的图像随机进行平移、缩放、旋转和加噪,以增加训练样本的数量和多样性。在本文构建的卡口图像数据集和复杂环境数据集上与灰度二值化车牌定位和基于边缘检测车牌定位算法方法进行了比较,验证了基于角点回归的全卷积神经网络车牌定位方法在复杂环境下的有效性。基于回归角点的车牌定位模型的方法存在较多误检情况,本文提出了基于车辆定位和车牌空间信息的方法辅助进行车牌定位,车辆定位方法同样基于全卷积神经网络,以车辆为前景的二值化图像作为模型回归目标对象,根据车辆位置来进行过滤车牌候选区域。同时基于同一辆车上车牌空间信息和车牌定位模型计算出的角点置信值大小对非车牌区域进行过滤。通过实验证明,采用了辅助定位方式的车牌定位算法精度更高,误检率更低,适合作为车牌定位辅助策略。总之,本文通过对传统方法改进实验总结出该方法并不能解决复杂场景下车牌定位问题后,主要采用了基于深度卷积神经网络方式,设计并实现了基于角点回归全卷积神经网路偶的车牌定位系统,并利用基于车辆定位和车牌空间信息作为辅助策略进行车牌精确定位,通过实验证明本文提出方法在复杂场景下效果良好,鲁棒性较高,且在时间复杂度上达到实时效果。