Obwohl die meisten derzeitigen Anwendungen zur Kennzeichenerkennung (License Plate Recognition, LP) erheblich vorangekommen sind, sind sie weiterhin auf ideale Umgebungen beschränkt, in denen die Trainingsdaten sorgfältig annotiert und auf eingeschränkte Szenen beschränkt sind. In diesem Artikel stellen wir eine neuartige Methode zur Kennzeichenerkennung vor, die auch unbeschränkte, reale Verkehrsszenen bewältigen kann. Um diese Herausforderungen zu meistern, nutzen wir adversarische Super-Resolution (SR) sowie eine einstufige Zeichenerkennung und -segmentierung. In Kombination mit einem tiefen konvolutionellen Netzwerk auf Basis von VGG-net bietet unsere Methode einen einfachen, aber sinnvollen Trainingsprozess. Zudem führen wir GIST-LP ein, einen anspruchsvollen LP-Datensatz, bei dem die Bilddaten effektiv aus unbeschränkten Überwachungsszenen gesammelt wurden. Experimentelle Ergebnisse auf den Datensätzen AOLP und GIST-LP zeigen, dass unsere Methode – ohne jegliche anlagenspezifische Anpassung – die Genauigkeit gegenwärtiger LP-Erkennungsansätze übertrifft und zudem visuelle Verbesserungen in den SR-Ergebnissen liefert, die leichter verständlich sind als die ursprünglichen Daten.