车牌识别是智慧城市、智能交通系统中的关键问题之一。尽管近年来随着计算机硬件的发展和深度学习技术的进步,车牌识别问题已经取得了明显进步,但监控视频下的车牌识别问题仍有很大的进步空间,如训练数据不足、复杂多样的环境因素以及高速运动带来的运动模糊问题。本文围绕监控视频下的车牌识别技术进行探索,主要完成了以下工作内容:一、本文以EasyPR为基础设计并实现了车牌数据标注系统,该系统可以便捷的对图像中车牌的位置和号码进行标注。同时本文还设计了可以定向生成多种类型车牌数据的自动生成和增强方法,该方法不仅保证了各类型车牌训练数据的数量、同时也保证了训练数据的复杂多样性和平衡性。通过使用自动生成的数据可以充分提高车牌识别网络的准确率。二、本文通过对ConvNet-RNN网络的结构和处理过程进行分析,对网络进行改进实现了免字符分割的车牌识别网络AC-RNN。该方法在车牌识别准确率上相对于ConvNet-RNN有显著的提升。AC-RNN相对于ConvNet-RNN主要的改进内容包括车牌字符间相关性的增强、注意力机制的应用以及针对车牌识别进行优化的CTC Decoder。三、从多任务学习的角度出发,本文提出了基于多任务的免字符分割的车牌识别网络。该方法将车牌上的每个位置的字符识别当作一个子任务同时进行学习直接实现车牌识别,实验结果表明该方法在车牌识别问题上取得了超越现有商用算法准确率的效果。四、以基于多任务的车牌识别网络为基础,本文提出了分阶段训练的方法实现将多个类型的车牌识别过程融合在一个模型中。该训练方法可以充分利用模型中已经训练好的车牌类型的信息,在缺少真实训练数据的情况下保证模型对新类型车牌的识别能力。五、本文针对监控视频提出了监控视频下的车牌识别的整体框架。该方法首先通过SSD目标检测算法和KCF目标追踪算法构建车牌序列,对序列中的每一帧车牌图像用基于多任务的车牌识别模型进行识别,最后通过一系列的序列信息融合策略对单帧图像的识别结果进行融合并给出最终识别结果。视频序列信息的融合利用充分提高了车牌识别的准确率。