Con el rápido avance de la inteligencia urbana, hay una demanda cada vez más urgente de innovación tecnológica en la gestión del tráfico. La tecnología de reconocimiento de matrículas puede lograr una alta precisión en condiciones ideales, pero enfrenta desafíos significativos en entornos de tráfico complejos y condiciones climáticas adversas. Para abordar estos desafíos, proponemos el modelo de red de atención mejorada y decodificación para el reconocimiento de matrículas (EAND-LPRM). Este modelo aprovecha un codificador para extraer características de secuencias de imágenes y emplea un mecanismo de autoatención para centrarse en información crítica de características, mejorando su capacidad para manejar escenarios de tráfico complejos como clima lluvioso y distorsión de matrículas. Hemos recopilado y utilizado conjuntos de datos disponibles públicamente que reflejan de cerca escenarios del mundo real, garantizando transparencia y reproducibilidad. Las evaluaciones experimentales realizadas en estos conjuntos de datos, que incluyen varios escenarios complejos, demuestran que el modelo EAND-LPRM logra una precisión del 94%, lo que representa una mejora del 6% sobre los algoritmos tradicionales de reconocimiento de matrículas. Las principales contribuciones de esta investigación incluyen el desarrollo de una arquitectura basada en mecanismos de atención novedosos, una evaluación integral en múltiples conjuntos de datos y mejoras sustanciales en el rendimiento bajo condiciones diversas y desafiantes. Este estudio proporciona una solución práctica para sistemas automáticos de reconocimiento de matrículas en entornos dinámicos e impredecibles.