基于機器學習的辦法包含根據邏輯回歸模型的定位方法和基于神經網絡的定位方法。比如，我們能使用這些。opencv所提供的根據haar特點聯級分類算法，練習車牌定位系統軟件。可是此方法的練習十分用時，歸類的定位高效率也不高。因而，在目標方向層面，基于神經網絡的辦法是流行方式。在基于神經網絡的定位方法中，通常采用神經網絡的個人目標特點。因為神經網絡移動不會改變，在學習中能夠加上候選區域，對候選區域進行篩選。恰當的分類候選區域是目標方向位置。這類方法很多實體模型，例如RCNN，fasterRCNN，SSD等。

字符分割
字符分割任務是把幾列或多做標識符圖像中的每一個標識符從全部圖像中切成單獨標識符圖象。傳統字符分割優化算法能夠分為兩種:立即分割法和根據圖象組織學的分割法。立即切分方式簡易，根據一些先驗知識，如車牌號標識符遍布，協助一些基本的投射算法實現切分；根據組織學的劃分方式選用圖像分割、澎漲浸蝕等工藝來決定標識符圖象位置。傳統字符分割優化算法也對外部影響比較敏感，如車牌號坡度、標識符破損黏連等。車牌號標識符正確的切分對字段的鑒別尤為重要，只會在恰當切分的情形下才能保證識別精確性。伴隨著神經元網絡現代邏輯飛速發展，端對端的圖像分類識別系統也獲得了非常大的創新，因此大多都是OCR手機軟件慢慢解決傳統字符分割解決，根據鑒別互聯網立即鑒別好幾個標識符。

圖像識別
圖像識別是以包括一個或幾個標識符的照片中獲取字符代碼的一個過程。最典型的圖像識別方法是什么基于機器學習的圖像分類方式。在圖像分類方式中，圖象只有導出一個歸類，換句話說，圖象只有包括一個字符圖象。這就需要字符分割具有較高的精確性。另一種鑒別方法都是基于循環神經網絡的端對端圖像識別方式。此方法把整個車牌圖片鍵入互聯網，神經元網絡將會導出全部標識符。端對端方式直接到除開字符分割全過程，防止了字符分割不正確導致的穩定損害，但端對端方式還對車牌號歪斜等其它影響比較敏感。