针对智能交通不同应用场景下车牌检测模型泛化程度低、难以重用的问题，提出了一种自适应无限制场景车牌检测算法。首先，构造了多预测头网络模型，采用分段预测头减少模型重用的预处理工作，采用自适应置信度阈值预测头提高模型检测能力，采用多尺度融合机制和帧回归预测头提高模型泛化能力。其次，采用可微二元网络训练方法，通过可微二元变换、学习模型参数，联合训练分类置信度和置信阈值。最后，采用连通感知非最大抑制（CANMS）方法提高车牌检测的后处理速度，并引入轻量级网络Aristole 18作为特征提取的主干，以减少模型参数的权重，进一步提高检测效率。实验结果表明，该算法在中国城市停车场数据集中（CCPD）6个不同约束的场景中，平均准确率为99.5%，召回率为99.8%，有效检测率为每秒70帧，这比快速区域卷积神经网络（Faster、RCNN）锚箱算法的性能更好，例如单点多箱检测器（SSD）。在三个补充的场景测试数据集中，在不同分辨率、不同拍摄距离和不同拍摄俯仰角等不受限制的场景中，该算法的车牌检测精度高于90%。该算法在不受限制的场景下具有良好的检测性能和泛化能力，能够满足模型重用的要求。