在智能交通系统中,从监控视频中拍摄行驶中的车辆往往因抓拍到的车辆距离较远,只能捕获低分辨率的车牌,而低分辨率下车牌的汉字结构退化严重,极大的影响了车牌识别准确率。所以如何对抓拍到的行驶中车辆的车牌号码进行准确识别,为智能交通信息的管理提供车辆身份信息,目前已经成为一个亟待解决的问题。由于在监控视频中拍摄到的行驶车辆的车牌分辨率很低,同时受到因拍摄视角引起的图像倾斜、字符模糊等外界环境干扰,导致车牌很难准确定位、分割。为此,本文采用修正过的检测网络Faster R-CNN对车牌进行定位,提高了车牌定位准确率。针对低分辨车牌汉字字符的结构退化导致的难以识别的问题,本文提出了基于循环神经网络和孪生网络的两级低分辨率车牌识别方法,第一级,采用字符无分割的方式对车牌进行初识别,首先采用深度神经网络VGG16提取车牌更具鲁棒性的深度特征,再将得到的深度特征转换为特征序列,最后将特征序列送入循环神经网络(双向LSTM)得到车牌初识别结果。第二级,利用车牌对焦处间隙较大的特点,对极易发生识别错误的汉字部分进行定位分割,只保留汉字与相邻的字母区域,对分割后的汉字进行再识别。首先通过车牌初识别的结果得到汉字对应的Top1和Top2的候选汉字模板,然后构建Siamese孪生网络,将待识别汉字和候选模板同时输入孪生网络,输出图像对的相似度,最后得到相似度最大的输出对应的模板即为汉字二次识别的结果。实验结果表明,本文算法对于整个车牌,尤其是汉字部分具有高达超过98%的识别准确率,且效果明显优于其他商用车牌识别系统。