车牌,车标,车型识别是智能交通车辆识别系统的重要组成部分,在道路车辆监控,停车场管理,违规车辆记录等领域都有广泛应用。车标识别是智能交通的一个重要研究领域,它的具体含义是指用数字图像处理,人工智能等方法对汽车标志进行识别,以得到车辆的品牌信息。车辆的自动识别系统具有很大的现实意义。广义的车标识别包括了车标的定位和识别,对于车标的定位,目前还没有通用的方法。如何从包含复杂背景的图像中定位出车标,如何准确并高效的识别车标,成为车标识别中的重要问题。本文在总结分析了各类车标定位方法的基础上,提出一种基于尺度不变特征的车标二阶段定位法,该方法首先利用SURF特征定位出车牌的首字符,根据首字符确定车标候选区域,然后在候选区域利用Gabor特征+BP神经网络的方法进行车标的精确检测。该方法既能避免传统的基于先验知识的车标定位方法中因确定整个车牌位置而导致算法耗时以及车标和车牌的相对位置公式不准确而引起的错误定位问题,也能避免形态学方法处理车标周围散热网的局限性问题。在车标的识别阶段,本文以2DPCA为核心,对比了PCA,PCA+LDA,KPCA+LDA,2DPCA,MBDPCA,2DKPCA,模块2DPCA,2DLDA,2DPCA+2DLDA等一系列基于代数特征提取的车标识别方法的识别率和效率。最后,本文最后还提出了一种基于深度学习的深度信念网(DBN)的车标识别方法,并和本文出现的基于人工特征选择的方法作对比分析。本文建立了一个非受限的能反应真实环境变化的车辆库对上述算法进行实验,通过实验分析,证明了本文基于尺度不变特征SURF的车标定位方法具有较优的定位性能,基于2DPCA+2DLDA的车标识别方法具有较快的运算速率,较高的识别率。基于DBN的车标识别方法在直接以图像的像素作为输入的情况下也能获得令人满意的识别率,能满足实时性的要求。