1. 研究目的与意义（文献综述）

车牌识别快速系统是数字图像处理与模式识别技术在智能交通领域中的重要研究课题之一，具有很高的研究价值和商业价值。近年来，随着卷积神经网络在模式识别领域的兴起，引起众多国内外研究者广泛关注。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。

CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 开发人员现在可以使用C语言来为CUDA架构编写程序，C语言是应用最广泛的一种高级编程语言。所编写出的程序于是就可以在支持CUDA的处理器上以超高性能运行。

2. 研究的基本内容与方案

一、基本内容与目标

1. 了解目前深度学习的发展现状和基本原理；

2. 了解gpu和cpu并行运算（基于cuda框架）的设计原理、详细流程和使用方法；

3. 研究计划与安排

第1~3周 查阅文献；分析题目研究现状，学习基本理论； 第4周 阅读文献、撰写开题报告，英文文献翻译； 第5周 掌握CNN在车牌识别上的运用； 第6~7周 学习了解CUDA和GPU并行计算的工作原理； 第8~9周 深入学习掌握CNN的技术细节； 第10~11周 进行算法的方案设计； 第12周 完成算法的方案设计的具体实现； 第13~14周 等待网络训练以及参数调优； 第15周 撰写毕业论文、完成初稿； 第16周 整理、完善论文、论文打印、装订、准备答辩。

4. 参考文献（12篇以上）

[1] lecun y, bengio y,hinton g. deep learning[j]. nature, 2015, 521(7553): 436-444.

[2] krizhevsky,a., sutskever, i. amp; hinton, g. imagenet classificationwith deep convolutional neural networks. in proc. advances in neuralinformation processing systems 251090–1098 (2012).

[3] farabet,c., couprie, c., najman, l. amp; lecun, y. learninghierarchical features for scene labeling. ieee trans. pattern anal. mach.intell. 35, 1915–1929 (2013).