（1）研究在非受限场景中鲁棒的车牌检测算法。针对不同场景下的车牌检测中的挑战，本文提出一种基于卷积神经网络的鲁棒车牌检测方法。在经典的目标检测算法 Faster R-CNN的基础上，引入了车牌的特征先验和上下文信息实现精准的车牌检测。在提取特征阶段，结合不同分辨率的卷积特征建立融合特征图，提升多尺度的车牌分类和回归的准确性。与 Faster R-CNN 不同的是，本文在 RPN 阶段引入角度和分支结构以生成适合车牌的候选区域。此外，为了深入挖掘车牌及其上下文间的联系，提出了一种上下文融合网络增强车牌的特征表示。经实验证明，与现有的方法相比，提出的算法在公开数据集 AOLP 和 SSIG 上车牌检测均展现出了优秀的性能。 （2）研究在非受限场景中准确的车牌识别算法。本文提出一种基于 LSTM 和注意力机制的车牌识别算法。通过将车牌图像内整个字符串作为识别目标，设计卷积层进行特征提取，结合循环神经网络与 CTC 序列模型，实现七位蓝牌和八位新能源车牌不限长度字符序列的识别。考虑在特征映射时单一车牌字符的特征表示能力不足的问题，在循环层引入了注意力机制，将 LSTM 单元邻近的隐藏状态自适应加权以增强字符的表征能力。此外，为了减少 CTC转录时连续相同字符的转录缺失问题，采用一种间隔符语义增强策略。相比于现有车牌识别算法，本文提出的方法避免了分割环节造成的错误累积，实现端到端的不限长度的车牌字符序列识别。 （3）设计并实现了基于非受限场景下的车牌识别系统，详细描述系统结构框架及功能模块。通过分析车牌识别系统功能性、复杂性以及信息显示的需求，设计功能模块包括输入与展示模块、车牌检测与识别算法模块以及相关的处理流程控制模块。经实际测试，所设计的车牌识别面向多种场景下的车辆牌照，相比于较为主流的车牌识别系统 Easy PR 和 Hyper LPR识别达到 7%性能提升。