自动车牌识别作为高精度的车辆识别中的核心技术,在智能交通系统中发挥着日益关键的作用。车牌识别系统主要包含车牌定位、字符分割、车牌字符识别三个主要部分,涉及了人工智能、模式识别、计算机视觉和数字图像处理等多个学科领域。目前车牌识别系统应用场合多为复杂环境,例如:因天气或拍摄角度的因为造成车牌图像模糊、倾斜和光照不均等现象,严重影响了车牌的识别率,因此,如何在复杂环境下实现车牌的准确识别是车牌识别领域的难点之一。　　 本文针对复杂环境下的车牌定位与车牌汉字图像的识别进行了研究,主要工作包括:　　 (1)根据图像中车牌的形态特征和纹理属性,运用分形盒维数来描述车牌字符的特征,并结合小波变换来定位车牌,该方法计算简单,且不依赖车牌的颜色、形状、尺寸,具有极好的鲁棒性和实时性。测试结果表明,该方法能有效地实现复杂环境下的车牌定位。　　 (2)针对目前复杂环境下车牌汉字图像识别率较低,识别时间较长等问题,提出了一种基于伪Zernike矩和独立主成分分析(ICA)的改进概率神经网络(PNN)车牌汉字识别方法。该算法是将车牌汉字图像的伪Zernike矩通过独立主成分分析降维,再将降维后的特征输入所提出的一种基于代表点的改进概率神经网络中进行训练和识别,从而有效地实现车牌汉字的识别。将该算法应用于复杂环境下的车牌汉字图像识别实验,实验结果表明,该算法能有效地降低特征维数,减少了识别时间,并能显著地提高车牌汉字的识别率。　　 (3)采用面向对象的设计语言VC++6.0和Matlab实现了复杂环境下的车牌定位与车牌汉字图像的原型系统,从实验中验证了上述方法的有效性。