目前我国的机动车数量正在持续上升,采集车牌的场景也越来越复杂。因此,提升车牌识别技术的普适性至关重要。研究在复杂条件下的车牌识别技术依然有很大的市场价值。具体工作如下:在车牌定位方面,针对传统车牌定位算法对各种复杂条件下的车牌定位效果不理想的问题,本文采用了分割连通域和面积特征的车牌定位方法,通过对二值图像进行区域分割,再根据车牌的面积特征定位车牌区域。从测试结果可以看出,此算法可以在各种复杂的条件下对三种不同种类的车牌进行成功定位,且定位成功率较高。在字符分割方面,针对传统车牌倾斜校正算法耗时较长的问题,本文采用了基于orientation算子的方法来测量出车牌的偏移角度,再使用旋转法对倾斜的车牌进行矫正。实验证明该算法能够在不影响校正成功率的前提下,提高校正的效率。在字符分割中研究了一种基于反色图像的字符分割方法,通过对灰度化处理之后的图像进行反色处理,使得字符部分凸显的同时,可以去除无关区域。此方法运算量较小,分割的效率较高。在车牌字符识别方面,针对Le Net-5网络原型不能直接解决混合识别的问题,本文对传统的Le Net-5网络进行了改进。将图像分别输入两个不同的卷积网络,此方法将能够防止过拟合的发生,可以保证图像特征信息在传递过程中没有流失。本文将其应用于复杂条件下的字符识别算法中,最终识别成功率达到了91.64%,结果表明本文的车牌识别算法在复杂条件下能达到较好的识别准确率且具有很好的普适性。