车牌识别技术是智能交通系统的重要组成部分。但是，由于现有车牌识别技术尤其是车牌定位技术存在对环境变化敏感，受图像质量、光线等影响大等问题，对相关产品的施工条件提出了苛刻的要求，大大限制了产品的应用场合。本文结合图像处理与模式识别领域近期理论成果，提出了一种适合在低质量复杂背景下进行快速车牌定位的算法。增强了车牌定位的鲁棒性，降低了相关产品的施工难度，对智能交通系统的普及具有重要意义，同时对其他目标的定位应用也有一定的借鉴价值。本算法提出了多分类器定位结合置信度评估的车牌定位框架，共分两部分进行车牌定位。首先，根据组合分类器思想，通过分析实际场景中车牌的特点，合理选择样本，并结合针对中国车牌特点所专门设计的Haar-like特征，训练多个AdaBoost分类器。由这些分类器组成组合分类器，并采用Intel线程构建模块对组合分类器进行速度优化，使算法更好的满足实时性要求。利用该组合分类器在输入图像中对车牌区域进行定位。为了保证分类器的命中率，在这里的组合分类器一次输出多个候选车牌区域，形成一个候选区域集合。本算法的第二部分利用HOG特征，将组合分类器输出区域作为样本，训练Real AdaBoost分类器，以此作为二级分类器。利用该分类器对之前组合分类器产生的候选区域集合进行评估，给出每一个候选区域的置信度，并根据置信度排序，将置信度最高的区域优先认为是车牌输入之后的处理环节。本算法在来自不同场景下的27018张图片中进行定位测试，定位精度为96.2%，对环境等的变化要求较低，适合全天候的车牌定位，并基本满足实时性要求，可以在小区卡口，停车场，交通路口等场合进行应用推广。