重庆车牌识别的核心问题和主要困难，不同光照条件对识别效果影响很大。比如天气状况不同，车牌在晴天和阴雨、下雪天气视觉上是不一样的，晴天车牌图片一般都较为清晰，但是强烈光照会带来局部反光过强的问题，阴雨天气图片昏暗模糊，下雪则有可能覆盖车牌的某些区域;另外即使在同一天由于阳光颜色的变化也会影响成像质量。车牌本身种类较多，形状、颜色、尺寸等都各有不同，而且，拍摄点的距离不同、拍摄角度不同都会影响到最终车牌在图片中的呈现姿态和外观。

这些都是影响车牌识别效果的直接因素，那么深度学习算法在车牌识别系统中的应用真能得到改进吗?众所周知，机器学习的主要问题就是让计算机模拟人类大脑工作，为此研发人员构建出人工神经网络模型，算法在提供初始条件后自主从数据学习新知识，不断增强自身的学习和理解能力。深度学习的提出给神经网络的学习能力带来了飞跃。

深度学习就是利用一些方法去构建一个含有多层隐藏层的人工神经网络，网络的每一层都对应着原始数据不同层次的数学抽象，从而达到用特征向量描述图像的目的。这里首先要明确两个概念：有监督学习和无监督学习。

所谓有监督学习，是指给定了训练样本数据(data)的同时也已知样本经过学习后的目标值，一般这些目标值是由人工标记或给出的真值(Ground Truth)，也称为样本标签(label)。常见的有监督学习形式有：回归和分类。回归就是要对数据及其标签进行拟合;另一种方式是进行分类，对给定标签的数据训练分类器，训练分类器是优化在训练数据上分类的正确率的过程。无监督的学习过程不需要人工标注数据的标签，只需要估计数据的分布特性或者将数据聚成特定数目的几类。多数深度学习用到的算法都是属于无监督的。

深度学习有多种学习结构，主要分为三类：

第一种是生成型的深度结构，其代表有深度置信网络(DBN)：它由一系列限制型玻尔兹曼机组成，主要能解决多层神经网络在学习的过程中标签数据需求量大、收敛速度慢和陷入局部极值等问题。由于其学习的是观测数据和标签的联合概率，所以对先验概率和后验概率都可以进行估计。

第二种是区分型模型，卷积神经网络就是其代表，其结构不同于第一类模型，只能对后验概率进行估计，适合应用在识别和分类问题中。

第三种是混合型结构，它是将上述两种结构用合适的方式组合起来。生成型结构用于分类问题的时候，可以在后面使用区分型的结构进行参数优化。