自动车牌检测和识别系统在智能交通中扮演着重要角色,它具有从交通控制到安全管理等多种潜在应用,积极推动智慧城市的建设。目前,自动车牌检测和识别算法是一种成熟但不完善的技术,在特定场景表现良好,但在现实复杂场景下仍不够准确和鲁棒,导致应用范围受限。因此本文对车牌检测与识别算法进行了深入研究,设计了适用于复杂场景下的车牌检测与识别算法。本文的主要研究内容如下:（1）基于边缘引导稀疏自注意力机制的车牌检测算法研究。针对复杂场景下有大量干扰因素影响车牌检测精度,本文从图像滤波和稀疏重构的角度提出了一种新颖的边缘引导稀疏自注意力（Edge-Guided Sparse Attention,EGSA）机制。边缘引导稀疏自注意力机制抑制噪声的同时关注车牌的可区分性特征区域和重要的边缘特性,使模型在复杂场景下定位更加精确。针对基于无锚（Anchor-free）的检测方法可能会在偏离目标中心的位置上产生很多低质量预测框的问题,设计了一种简单且有效的方法,称为水波纹损失掩码（Water Ripple Loss Mask,WRLM）,以抑制那些低质量预测框,提高整体性能。本文设计的车牌检测算法在最大和最多样化的中国城市停车场数据集（Chinese City Parking Dataset,CCPD）和面向应用的车牌识别数据集（Application-Oriented License Plate Recognition dataset,AOLP）上实现了最先进的性能。（2）基于门控线性单元的车牌识别算法研究。针对中国车牌号码具有标准定制规则的特点,可将其看作是一种语言语法规则,本文从语言建模的角度出发,提出基于门控线性单元（Gated Linear Unit,GLU）的车牌识别算法。采用并行化计算的门控线性单元并结合宽卷积构建语言建模模块,学习车牌号码的语法特性,得到结构化信息。通过增加语言约束,在包含各种复杂场景的CCPD数据集上实现了更高的识别准确率,此外并行化的模型也非常适合现代硬件设备。（3）自动车牌检测和识别系统设计。本文基于自动车牌检测和识别系统的设计目标将所设计的车牌检测算法和车牌识别算法以及交互界面集成为一个系统。此外,为了进一步提高系统性能,即在保证准确率的前提下大大减少模型参数量,本文设计了轻量化的车牌识别模型。本文所设计的自动车牌检测和识别系统适用于复杂场景,具有更广泛的应用场景以及较强的实用价值。