传统的基于边缘、颜色、纹理及机器学习等方法进行的车牌定位，需要对车牌图像进行复杂的特征提取，不但训练过程容易造成过拟合或者维数灾难，而且识别结果也易受光照、道路环境及图像质量等因素的影响，虽然漏识别率低，但误识别率高。针对车牌分类问题，利用深度学习中的卷积神经网络，避免了传统模式分类算法在前期对图像复杂的预处理，降低了设计提取特征算法时对丰富经验的依赖。综合对比了BP神经网络、支持向量机、卷积神经网络三种算法，实验结果表明，卷积神经网络在车牌分类中具有较好的表现，识别率高达98.25%，也证明了深度学习在智能交通领域具有较大的应用前景。
