作为交通领域的前沿课题,智能交通系统（ITS）一直备受众多科研人员的关注。采用先进的信息处理技术、通信技术、传感器技术、自动控制技术以及计算机技术等可以有效地对整个交通运输体系进行规划管理,从而达到一种道路、车辆、使用者之间的平衡关系。在这一系统中,车辆作为核心研究目标,拥有唯一的身份标识——车牌号码,与该车辆相关的各种信息都通过交通部门下发的车牌号码来进行索引,因此车牌号码的自动识别成为了智能交通系统中的关键技术之一。但当前的车牌识别系统在准确率、实时性、适应性等性能上还有一些缺陷,故还有一定的提升空间。针对当前车牌识别系统中存在的一些问题,本文从车牌识别系统的多个步骤着手,重新探索了车牌定位、字符分割、字符识别等步骤的性能优化方法,文中所作工作主要分为三个方面:1.分析了车牌特有的一些特征,包括颜色、边缘、频谱、纹理等,选择了从车牌的边缘特征信息入手,对传统的Canny算子边缘检测方法进行了改进,加入了自适应的双阈值选取以及中值滤波方法,改进后的方法可以更加准确的检测到有用的车牌信息,过滤掉不必要的干扰信息。并对车牌做了形态学处理进一步剔除与车牌几何特征差距较大的背景元素,最终获得其精确位置。2.由于图像获取设备与车牌具有一定的角度,导致车牌图像存在倾斜现象,这对后续字符的识别很不利,因此首先对车牌进行了倾斜校正,随后利用先验知识以及垂直投影方法去除掉了车牌的上下边框与铆钉,最终将车牌字符分割成了单个字符。3.由于我国车牌中具有汉字,而汉字具有丰富的笔画纹理特征,与字母数字区别较大,不适合采用常见的网络特征法,因此使用了提取汉字的Gabor特征的方法获得其笔画方向特征,并构建了一个BP神经网络,对其中的学习率设置方法进行了改进,使其可以自主适应样本学习的速率。经过实验表明该网络可以达到较好的识别效果。