当今社会车辆的使用率日益提升,随之而来的交通管控的压力也越来越大。针对车牌进行智能检测与识别可以帮助交管部门快速查询车辆驾驶员信息以及实时追踪嫌疑车辆。随着人工智能和物联网的普及,智能交通逐渐开始扮演重要的角色,而车牌检测与识别算法也通过使用深度学习得到进一步发展。但是由于真实环境存在天气恶劣、光照不均匀、车牌倾斜污损等多种干扰因素,车牌检测与识别网络的性能还有很大的提升空间。本文围绕基于深度学习的复杂场景下车牌检测与识别的问题展开研究和分析,具体研究内容如下:首先,本文从车牌数据集增广的角度出发,设计了基于生成对抗网络的复杂场景车牌生成方法。本文基于生成对抗网络设计了针对车牌的数据集扩充方法。生成对抗网络可以在保持车牌重要信息（字符、轮廓等）不变的情况下改变车牌风格,得到逼真的车牌图像,弥补了原有车牌数据集在数量和环境复杂度上的不足。这提高了车牌检测与识别网络在不同场景中的鲁棒性。其次,针对车牌检测任务,本文设计了一种基于轻量级特征融合网络的车牌检测方法。该方法大量使用深度可分离卷积代替普通卷积来搭建轻量级主干网络,对双向特征融合金字塔模块和检测头进行轻量化处理。这些设计在减少网络复杂度的同时增强了网络的特征表示能力,使得模型在精度和速度上更加均衡。最后,针对车牌识别任务,本文设计了基于自注意力机制的车牌识别方法。该方法使用改进残差网络作为主干网络,添加了车牌校正模块和序列特征增强模块,并且把自注意力机制应用到文本识别模块中。这些设计发挥了自注意力机制的优秀特性,使得模型具有更高的准确率和稳定性。