基于机器学习的办法包含根据逻辑回归模型的定位方法和基于神经网络的定位方法。比如，我们能使用这些。opencv所提供的根据haar特点联级分类算法，练习车牌定位系统软件。可是此方法的练习十分用时，归类的定位高效率也不高。因而，在目标方向层面，基于神经网络的办法是流行方式。在基于神经网络的定位方法中，通常采用神经网络的个人目标特点。因为神经网络移动不会改变，在学习中能够加上候选区域，对候选区域进行筛选。恰当的分类候选区域是目标方向位置。这类方法很多实体模型，例如RCNN，fasterRCNN，SSD等。

字符分割
字符分割任务是把几列或多做标识符图像中的每一个标识符从全部图像中切成单独标识符图象。传统字符分割优化算法能够分为两种:立即分割法和根据图象组织学的分割法。立即切分方式简易，根据一些先验知识，如车牌号标识符遍布，协助一些基本的投射算法实现切分；根据组织学的划分方式选用图像分割、澎涨浸蚀等工艺来决定标识符图象位置。传统字符分割优化算法也对外部影响比较敏感，如车牌号坡度、标识符破损黏连等。车牌号标识符正确的切分对字段的鉴别尤为重要，只会在恰当切分的情形下才能保证识别精确性。伴随着神经元网络现代逻辑飞速发展，端对端的图像分类识别系统也获得了非常大的创新，因此大多都是OCR手机软件慢慢解决传统字符分割解决，根据鉴别互联网立即鉴别好几个标识符。

图像识别
图像识别是以包括一个或几个标识符的照片中获取字符代码的一个过程。最典型的图像识别方法是什么基于机器学习的图像分类方式。在图像分类方式中，图象只有导出一个归类，换句话说，图象只有包括一个字符图象。这就需要字符分割具有较高的精确性。另一种鉴别方法都是基于循环神经网络的端对端图像识别方式。此方法把整个车牌图片键入互联网，神经元网络将会导出全部标识符。端对端方式直接到除开字符分割全过程，防止了字符分割不正确导致的稳定损害，但端对端方式还对车牌号歪斜等其它影响比较敏感。