车牌检测与识别在智能交通系统中起着至关重要的作用,被广泛应用于停车场进出管理、高速路自动收费等方面。随着深度学习技术的快速发展,基于神经网络的车牌检测与识别取得了许多研究成果。实际应用中,人们对车牌检测与识别的需求不断提高,检测与识别不但要准确,还要高效。因此,车牌检测与识别算法仍然面临高准确率和高效率的挑战,具有一定的研究和应用价值。本文综合考虑车牌检测与识别准确率与效率的需求,提出了一个高精度、高效率的车牌检测与识别方法。主要研究工作如下:（1）提出了基于卷积神经网络的车牌检测网络LPNet,用于图像中的车牌区域定位。对于输入的包含车辆的自然场景图像,卷积神经网络自上而下的提取不同级别的特征信息,最终回归出边界坐标实现车牌检测。LPNet网络能够在一次向前的传递中定位车牌的未知区域并输出边界框的坐标。（2）提出了基于卷积神经网络的车牌识别网络LPRNet,用于识别图像中的车牌号码。对于输入的包含车辆的自然场景图像,LPRNet能够准确识别图像中的车牌号码并输出。LPRNet通过多层卷积提取不同层次的特征得到特征图。我们应用检测模型输出的车牌区域的边界框映射回特征图,通过ROI Pooling获取特征图上的关键区域。最后,通过七个并列的分类器分别识别车牌上的七个字符输出车牌号码。（3）提出了基于深度学习的端到端的车牌检测与识别网络,用于检测图像中的车牌位置并识别其中的车牌号码。我们将检测模型与识别模型集成于一个统一的网络结构,通过联合优化的方式进行端到端的训练。网络精心设计了特征共享机制,将检测模型的部分特征共享给识别模型,使识别模型无需重复提取初级特征并且高效利用检测模型的特征信息,因此大量节约了网络的参数成本,提升网络的时间效率。（4）通过实验验证,本文提出的网络模型在车牌检测任务上的准确率达99.98%,在车牌识别任务上的准确率达93.86%。网络检测与识别每张车牌图像用时0.02秒,在精度和速度上都优于其他对比的方法,证明了该模型的有效性和高效性。端到端的车牌检测与识别网络避免将检测与识别分割为两个单独的阶段从而节省执行时间。网络共享提取的浅层特征同时用于检测与识别任务,避免重复提取特征以提高时间效率。网络强调车牌检测与识别间的相关性,联合检测模型的特征与识别模型的特征提升识别准确性。同时,模型联合优化车牌检测与识别任务,进一步提升识别性能。