随着社会经济发展水平的提高,智能交通系统的应用范围越来越广泛,车牌识别作为智能交通系统的重要组成部分,很多研究者也在不断的对车牌识别的算法进行改进优化,深度学习的发展,更是把这一研究推向高潮,通过深度学习算法的应用,车牌识别算法在一定程度上简化了算法步骤,且精度也得到了提高。本文以车牌识别为目标,针对国内开源的CCPD数据集,借助深度学习的理论知识,针对车牌定位模块设计了双网络模型,再利用U-Net、FCN和SegNet应用到车牌定位,并将上述所建立的三种模型作为对比模型与双网络模型进行对比实验。然后,针对车牌识别模块设计了CNN模型,设计的CNN模型,解决了传统模式识别的先分割再识别的特点,简化了实现步骤。然后,再通过LeNet和ANN应用到车牌识别中,与CNN模型进行实验对比。结果表明,双网络模型和CNN模型的训练精度都高达98%,从实验结果来看,本文设计的模型对于完成各模块的目标还是很有效用的。本文的主要内容和贡献如下:1.研究车牌定位算法。首先针对车牌定位,先采用缩小图片尺寸和数据标注准确勾选出车牌图像区域以便减少汽车图像的冗余计算,这在一定程度上降低模型的训练时间。然后研究了基于图像分割的卷积神经网络模型的结构层数与参数定义,设计了双网络模型来定位车牌图像以提高车牌定位的精度,然后利用车牌矫正算法对车牌进行矫正以此提高车牌识别的准确率。2.研究车牌识别算法。根据截取出来的车牌图像作为数据集,研究卷积神经网络的结构原理和参数设置,设计了卷积神经网络模型用于车牌字符的准确识别,这在一定程度上减低了模型训练的时间,又达到提高车牌识别的准确率。3.系统的仿真设计。本文采用深度学习训练的模型框架与Python的UI界面相结合进行基于深度学习的系统仿真设计,并与百度AI的车牌识别进行对比效果分析,通过效果分析本文设计的系统在识别图片数量上有比较好的效果。