随着我国人均汽车保有量的提升,对车辆的管理越来越重要,车量管理最重要的步骤之一就是车牌检测。当前,国内外虽然存在多种基于深度学习的车牌检测方法,但其研究是针对国外数据集或者针对中国的特定场景。自然场景下的中国车牌,具有种类多、拍摄距离远、光线变化大的特点,而且对自然场景下中国车牌检测方法的研究较少。本文主要研究现有基于深度学习的车牌检测方法对自然场景下中国车牌的检测效果,并应用在实际的场景中。本文总结了现有传统车牌检测方法和基于深度学习的车牌检测方法,对每种方法的原理或网络结构进行深入的分析和研究。现有公开的车辆数据集大部分是国外车辆,包含中国车辆的数据集较少,种类和场景单一,并非自然场景。为此,本文标注了一个自然场景下监控摄像头拍摄的中国车牌组成的数据集NSI(Natural SceneImages)。在NSI数据集上,对现有主流的车牌检测方法,进行了详细的对比实验,并对实验结果进行分析,总结各个方法的优缺点。根据实验结果,将基于MTCNN网络检测方法的关键点检测和基于YOLOv3网络检测方法相结合,在高检测率的基础上还能提供车牌四个角点的检测。此外,本文还提出了一种基于深度学习二分类结合传统特征验证的方法来区分车牌和非车牌,并通过实验对其有效性进行了验证。最后,本文基于YOLOv3的车牌检测方法和MTCNN关键点检测,结合区分车牌和非车牌的方法设计和实现了车牌脱敏及标注系统,开发了视频脱敏、图片脱敏、车牌标注以及个性化训练功能,以提高车牌脱敏和标注效率,并且提供HTTP接口进行车牌检测,来满足用户二次开发需求。