近年来,经济与科技的发展走上了“快车道”,人们对生活水平的要求也是越来越高。智慧城市不再仅仅是一个虚无的概念,而是开始逐渐地服务于人们的日常生活。作为智慧城市的一个重要分支,智能交通引起了广大学者的研究兴趣。在自然场景下,利用车牌识别技术可以对智能交通进行快速有效、准确有序的管理。但是针对传统的车牌识别系统,其算法的鲁棒性较低、抗干扰能力不足,在光照条件较差、车牌倾斜、脏污破损等复杂场景下,车牌定位与识别的效果会大打折扣。本文有针对性地研究了存在的这些问题,目的就在于开发出一种能够在复杂场景下应用的车牌识别技术。通过对传统车牌识别算法的分析研究,能够看出传统的车牌识别算法大多包括三个部分,即车牌定位、字符分割以及字符识别。考虑到应用车牌识别技术的实际场景,本文总结了这三个步骤中使用得较为广泛的算法,进行分析讨论并指出了各个算法的优势与劣势。为了防止由于“分而治之”而导致的误差累积,本文提出了一种基于YOLO-tiny的车牌识别技术,并且应用了端到端网络的思想,有效地避免了传统车牌识别系统中存在的误差累积现象。本文采集了大量处于复杂场景下的车牌样本,利用机器辅助及人工标注的方式制作了不同场景下的训练集和测试集,通过这些图像数据集对所设计的基于深度学习的车牌识别算法进行训练与测试。最终的检测结果表明,相较于传统的车牌识别技术,不管是在检测的速度方面还是在检测的准确率方面,本文所提出的这种车牌识别技术都表现得更加优异。