随着大数据技术的成熟以及人工智能技术的蓬勃发展,智慧交通逐渐成为相关技术的重要落地点。通过智慧交通技术,可以使道路网络达到更高的运行效率,既节省了人们的时间,又减少了资源的消耗。城市在发展过程中不免会遇到各种复杂的问题,举例来说,城市停车,停车难已经成为各发展较快城市,城市化过程中一个难以避免的问题。在停车场的入口处,设置车牌识别机以扫描和识别进出车辆的车牌号码,与相关系统对接并记录车辆的信息。车牌识别不仅可以加强车辆进出入管理,而且还有利于优化停车位的分布和方便车主查询查找停车位。因自然环境及监控设备而等因素的影响,采集的车牌照片质量层次不齐,因此,不同质量的标签照片要能够准确识别标签信息很有必要。本文着眼于此次,针对现有车牌检测识别技术的不足,对监控场景下车牌照片检测识别问题进入深入研究和实现。本文研究并实现了一个车牌自动识别系统,该系统由车牌定位模块、字符分割模块、卷积神经网络识别模块三个部分组成。首先本文主要利用Tensorflow开发平台,搭建CNN卷积神经网络,通过采集到的车牌图片训练神经网络,使得系统具有较好的车牌识别图片能力。其次在车牌识别的嵌入式系统硬件实现部分,本文具体研究了利用STM32MP157嵌入式芯片搭建车辆识别嵌入式系统外围电路的设计与原理,以及如何利用STM32CUBE-AI软件将训练好的CNN神经网络部署到嵌入式平台中,实时进行车牌识别。最后通过试验得到了识别结果,并达到了预期的效果,分析出了相应的车牌号。本文的主要工作与创新之处总结如下:1.对车牌自动识别技术的发展现状做了全面深入的调研与总结概括,将其分为车牌定位、字符分割、字符识别、免分割车牌识别四个阶段。明确了每个阶段的主流方法以及它们的优缺点2.提出了基于CNN卷积神经网络的车牌定位方案3.设计并实现了一个简便的嵌入式车牌自动识别系统,并使用自有的数据集对该系统进行了测试。系统在识别速度和识别准确率两方面都达到了符合预期的表现。实验结果表明,与其他单函数方法相比,卷积神经网络方法具有较高的精度和较低的漏测率。同时在图像识别精度和车牌定位精度上有很大的提高。此外,与现有车辆识别系统对比,本文提出的设计方案,在确保较高的准确率和识别率的同时大幅降低了整体方案的硬件成本。