随着大数据、深度学习、物联网和5G通信技术的飞速发展,以及中国城镇化速度的加快,建设智慧城市已经成为一种趋势。智能交通在智慧城市中扮演着非常重要的角色,其不仅仅能缓解城市交通拥堵问题,还能够提高交通道路的使用效率、节约石油资源和改善生态环境等。另外,交通智能监控系统也具有保护城市的作用,该系统能够帮助公安机关快速跟踪可疑车辆和犯罪嫌疑人,从而让我们所生活的城市变得更加安全。由于车牌号码相当于一辆汽车的“身份证号码”,因此车牌检测和识别算法技术在智能交通系统建设中起着十分重要的作用。传统的车牌检测和识别算法通常在一些简单的场景下能取得良好的识别效果,但是在光照不足、倾斜、模糊和恶劣天气等复杂的场景下,这些传统的方法就不能够准确识别出车牌号码。许多研究者通常把车牌检测和识别过程分成车牌检测和车牌识别两个步骤,或者分为车牌检测、车牌字符分割和车牌字符识别三个步骤。车牌字符识别与前面的车牌检测和车牌字符分割两个步骤是高度相关的,当车牌检测算法预测出错误的车牌边界框时,就会影响后面车牌字符的识别,或者导致后面车牌字符分割错误,最终导致车牌字符识别算法预测出错误的车牌号码。为了解决车牌检测和识别算法存在的问题,本文将基于深度学习的目标检测算法应用到车牌检测和识别方法当中,设计了一种基于特征融合的端到端车牌检测和识别网络模型。该网络模型结构是由车牌特征提取网络、特征融合网络、多尺度特征网络、位置检测器和字符识别器五个部分组成的。在该网络模型中,把不同尺寸的特征图进行融合,目的是用来保存浅层特征图上的车牌位置语义信息,这样做的目的是为了进一步提高车牌位置和字符的识别准确率。与分成多个步骤的车牌检测和识别算法相比,该网络模型能够进行端到端的训练。当输入测试图片时,能够同时输出车牌的边界框和号码,从而避免了分段车牌识别算法所产生的中间误差积累和放大问题。由于该网络模型通过共享基础特征提取网络,减少了网络计算参数,从而显著提高了车牌检测和识别的速度。本文制作了一个车牌数据集用于该网络模型的训练和测试,其中车牌图片都是在复杂场景下收集的。通过与其他算法进行实验对比,证明了该网络模型能够有效提高车牌位置和字符的识别准确率。