渣土车检测及车牌识别在智慧交通等领域有着较大的应用价值。随着城市的快速发展,渣土车的需求日益增大,对行人的安全存在巨大的威胁,对市容也有影响。在现实生活中实时检测渣土车存在一定的挑战,光照不均匀、模糊、不同角度都会影响车牌识别的准确性。因此,设计一种实时检测渣土车并识别车牌的方法使得渣土车被智能化管理,这具有一定的现实意义。在本文中,我们提出了一种检测渣土车及识别渣土车车牌的方法,我们主要完成的工作有:（1）提出一种基于YOLOv3方法改进的二分类网络。为了实时检测监控中渣土车、车牌的位置信息,本文提出一种基于YOLOv3算法改进的二分类网络。YOLOv3中两组小尺度特征图用于检测渣土车,大尺度特征图用于定位车牌。将Complete Intersection over Union（CIo U）损失替代YOLOv3中的位置坐标损失。实验结果表明,改进后的YOLOv3算法加快了渣土车及车牌检测算法的收敛,提高了渣土车及车牌检测的精度。（2）提出一种融合空间注意力机制的U型结构车牌识别网络ILPRNET（Improved License Plate Recognition Net）。为了准确识别车牌字符,本文提出一种车牌识别网络ILPRNET,保证训练过程中数据分布一致、网络快速收敛,增强了网络非线性表达能,能够防止网络过拟合。不仅如此,本网络融合了空间注意力机制有利于网络关注车牌字符特征的空间位置信息。通过引入一种U型结构的对称性网络（编码器和解码器架构）,来准确定位车牌的各个字符。与其他算法相比,我们的算法避免了因字符分割不准确导致的精度低的问题,实验结果表明,所提出的模型在复杂或常规情况下表现良好。（3）提出一种基于Bi-LSTM（Bi-directional Long Short-Term Memory）在非限制性条件下的鲁棒性车牌识别模型。为了进一步提高旋转车牌的识别准确率,本文提出一种基于Bi-LSTM的一种鲁棒性车牌识别模型。为了充分提取车牌特征,我们在网络中融入了Bottleneck、分离卷积以及空间注意力机制等结构来进行浅层特征和深层特征的融合。通过引入Bi-LSTM结构,该网络能够准确定位车牌各个字符的位置。实验结果表明,对于规则车牌或不规则车牌、正常场景或复杂场景,该方法具有良好的鲁棒性。与第四章算法相比,我们提出的算法在旋转车牌上精度更高。