近年来,智能交通的理论和应用研究在各国掀起了热潮。车牌识别技术,以实现智能化的关键环节得到了迅速的发展,成为智能交通系统的核心技术之一。它需要人工智能、图像处理、计算机视觉、模式识别、深度学习等相关技术的综合应用。而在整个车牌识别系统中,车牌检测是其中比较关键的一步。传统的车牌检测算法在一些场景下有一定的局限性。尤其在弱光条件下,当背景与车牌的纹理或者颜色相似时,传统的车牌检测算法会出现误检的情况。本文正是从这一点出发,利用机器学习和深度学习等相关技术,提出改进或者新的方法。本文的主要研究内容包括:1、研究传统的车牌检测算法,分析了它们的优缺点。传统的纹理算法,对噪声敏感,而且当遇到其他类似于车牌纹理特征的干扰时,会出现车牌检测率降低的现象。传统的颜色算法,当图像中存在与车牌相似的颜色时,车牌检测的准确率将有所下降。根据之前所做的实验研究和相关机器学习的方法,提出基于色差模型结合Adaboost的车牌检测算法,它综合了颜色算法、纹理算法以及原始Adaboost算法的优势,将车牌的特征都进行Adaboost训练,解决了传统的车牌检测算法所存在的问题。2、本文深入研究了基于fast RCNN的车牌检测算法。首先,通过选择性搜索获取车牌图像的候选框。然后,使用fast R-CNN直接对整幅车牌图像进行卷积,获得特征图。其次,将车牌图像候选框的位置映射到特征图上,从而得到每个候选框所对应的特征,由于没有对原图的尺寸进行限制,所以添加ROI pooling层对特征维数归一化。最后,网络直接输出选框位置(即车牌检测区域)。在网络模型训练过程中,网络学习到车牌的几乎所有包括纹理、颜色、有区别性的关键的特征,除此之外,多任务损失的学习方式提高了车牌检测的准确率。3、实验部分主要针对两种传统的车牌检测算法和文中提出的两种算法进行测试和比较,首先利用基于RGB颜色空间的算法对车牌图像进行测试,通过测试发现,它比较容易受到光照的变化的影响,其次利用基于纹理特征的算法对车牌图像进行实现,通过实验发现有类似于车牌纹理的干扰时会出现车牌的误检测。最后利用基于色差模型结合Adaboost的算法和基于FRCNN的算法对车牌进行检测,实验证明,在弱光照下,这两个算法都可以解决传统车牌检测算法存在的问题,并且它们的检测率都高于传统的算法的检测率。