Bien que la plupart des applications actuelles de reconnaissance de plaques d'immatriculation (LP) aient considérablement progressé, elles restent limitées à des environnements idéaux, où les données d'entraînement sont soigneusement annotées dans des scènes contraintes. Dans cet article, nous proposons une nouvelle méthode de reconnaissance de plaques d'immatriculation capable de traiter des scènes réelles non contraintes dans le trafic routier. Pour surmonter ces difficultés, nous utilisons une super-résolution par adversarité (SR), ainsi qu'une segmentation et reconnaissance caractères en une seule étape. En combinant cette approche avec un réseau de convolution profond basé sur VGG-net, notre méthode offre une procédure d'entraînement simple mais raisonnable. En outre, nous introduisons GIST-LP, un jeu de données de plaques d'immatriculation exigeant, dont les échantillons d’images sont collectés efficacement à partir de scènes de surveillance non contraintes. Les résultats expérimentaux sur les jeux de données AOLP et GIST-LP montrent que notre méthode, sans adaptation spécifique à chaque scène, surpasser les approches actuelles de reconnaissance de plaques d'immatriculation en termes de précision, tout en offrant une amélioration visuelle dans les résultats de SR plus facilement interprétables que les données d’origine.