车牌识别技术对于各地的交通管理系统而言重要性不言而喻,吸引了大量研究者的目光,近年来备受关注。然而,在光线不足甚至是黑暗环境下,大多数现有的普通图像采集设备采集到的图像存在质量较低,清晰度不够、照度不足或不均匀以及有效信息非常有限等问题。另一方面,夜间的道路行车监控和低照度环境下的车牌识别问题在当今社会下愈发重要。为了解决上述在低照度环境下车牌识别研究仍然存在的问题,在经过参考大量文献,进行多次实验对比之后,本文提出了一种结合图像复原和神经网络方法的行之有效的车牌检测与自动识别解决方案。利用低照度视频反转后与朦胧光照环境下例如有雾环境下所采集的视频具有高度相似性,类比反转的低照度图像,将输入的原始低照度图像先进行取反操作,随后运用大气光模型,利用去雾方法结合滤波运算还原出高质量图像,并最终成功输出符合预期的高质量图像。由于采用均值滤波的方法避免了估算大气光时的复杂运算,算法的计算速度进一步提升,为后续的一系列处理提供了质量较高的样本图像。为解决低照度环境下边缘检测效果不理想的问题,本文通过HSI中三个分量描述样本图像的颜色信息并进行同色判断,进一步提高目标区域的定位成功率。对于预处理得到的图像先进行高斯滤波处理,消除了噪点的干扰后再进行边缘检测并结合颜色特征,利用目标区域的纹理结构特征初步确定出候选区域,并通过先验知识以及SVM模型排除其他非目标区域,进一步准确定位出车牌。取得了目标区域后,针对我国汉字特殊构造(笔画和相对位置),采取根据先验信息事先构造出相应筛选规则的方式对字符进行分割,得到一种更加适合我国汉字特殊构造的字符分割方法。在最后的字符识别中,由于经典Le Net-5网络模型的辨认对象是手写数字,无法满足牌照中的中文及英文字符的识别任务,故而需要把传统Le Net-5模型做出相应的调整,并在三个数据集中各种环境下采集到的样本图像上进行了性能测试,最终识别准确率达到了98.46%,结果表明本文的车牌检测与自动识别解决方案在开放环境下尤其是极端光照条件下可以达到较高的识别准确率,鲁棒性较好。