自動車ナンバープレート認識（ALPR）は、多数の実用的応用が期待されるため、長年にわたり研究の対象となってきている。しかし、現在の多くの手法は現実世界の状況において十分な堅牢性を有しておらず、しばしば多くの制約に依存している。本論文では、最先端のYOLO物体検出器を基盤とした、堅牢かつ効率的なALPRシステムを提案する。各ALPRプロセスステージにおいて、畳み込みニューラルネットワーク（CNN）をそれぞれ訓練および微調整することで、カメラの種類、照明条件、背景の違いなどさまざまな条件下でも安定した性能を発揮するようにしている。特に文字のセグメンテーションおよび認識にあたっては、反転したナンバープレート（LP）や文字の反転といった単純なデータ拡張技術を用いた二段階アプローチを設計した。この提案手法は、2つのデータセットにおいて優れた結果を達成した。第一に、101台の車両映像から構成される2,000フレームからなるSSIGデータセットにおいて、本システムは93.53%の認識率と47フレーム/秒（FPS）の処理速度を達成し、商用システムであるSighthound（89.80%）およびOpenALPR（93.03%）を上回る性能を示した。また、従来の研究結果（81.80%）と比べても顕著な向上を実現した。第二に、より現実的な状況を想定して、カメラと車両がともに移動している状態で撮影された150本の動画、計4,500フレームを含む、より大規模な公開データセット「UFPR-ALPRデータセット」を新たに提案した。このデータセットには、自動車、オートバイ、バス、トラックなど多様な車両種別が含まれている。本研究で用いた商用システムの試用版は、このデータセット上で70%未満の認識率にとどまったが、本システムは78.33%の認識率と35 FPSの処理速度を達成し、より優れた性能を示した。