当今社会,随着计算机计算能力的增强,使得一度低迷的神经网络又一次映入了人们的视线中,伴随着神经网络的快速发展,使得其在人工智能研究领域获得了极大的进步,现如今越来越多学者致力于此方面的研究,其中模糊理论、神经网络更是研究的重点对象。本文所研究的车牌识别技术在现代化车牌管理当中有种非常重要的地位,如何将人工智能与车牌识别结合并用于实际工作,是本文的主要研究课题。Hopfield神经网络是一种单层全连接的反馈型神经网络,此网络引入了“能量函数”的概念,在网络运行过程中,可以将吸引子存放在能量极小点中,因此在网络能量递减的过程中,终究会趋于稳定状态,正是基于Hopfield这种特性,我们将使用此网络进行车牌的识别。由于车牌识别过程存在着许多不确定性因素,为了避免这些不确定的因素使得车牌识别率过低,我们将引入模糊理论的概念,将模糊理论与神经网络相结合,不仅可以解决模糊理论本身学习能力差的问题,而且可以提高在识别精度方面的准确性。为了验证此种算法确实是可行的,我们将使用另一种算法与其进行对比分析,即受限玻尔兹曼机。受限玻尔兹曼机是一个随机神经网络,将其与用作特征提取并且与分类器相结合可以作为不错的识别算法。本课题以Hopfield神经网络与模糊推理系统的结合研究为主体并将其与受限Boltzmann机算法进行对比分析,最终完成并获得如下工作及成果:1.讨论了数字图像处理以及定位的一些方法,选择合适的方法对车牌图像进行合理的处理,目的是使其特征完全显现出,易于使用算法进行识别;2.从网络结构、状态、工作方式、学习方法、能量函数等方面研究了Hopfield网络以及Boltzmann机,确定了两种网络在车牌识别方向上的可应用性,设计了应用于车牌识别的Hopfield网络以及Boltzmann机的神经元个数、阈值等参数;3.研究了模糊理论,确定了在网络中加入模糊推理的可行性,并将Hopfield网络与模糊理论相结合,该网络在一定程度上提高了对车牌识别的精度;4.应用编程软件实现了模糊Hopfield网络以及受限Boltzmann机的可视化,并通过实际系统测试,分析对比了两种车牌识别算法的优劣。