车牌识别(LPR)技术作为智能交通系统(ITS)的核心技术之一,其重要性日益增加。尽管目前车牌识别技术已取得大量研究成果,但现有的车牌识别系统都是在理想的光照条件下才能取得令人满意的效果。真实的光照条件瞬息万变,为让车牌识别技术真正走向实际应用,研究提高车牌识别系统的光照鲁棒性依然具有一定的理论和实际意义。本文在分析国内外车牌识别系统的基础上,根据我国车牌特征,重点研究了车牌字符的特征提取方法和识别方法,以提高复杂光照下车牌识别系统的识别率,具体研究内容包括:针对车牌图像预处理,讨论了车牌识别技术中常用的图像预处理方法,包括图像灰度化和二值化、图像增强技术、图像形态学处理和边缘检测技术。同时对常用车牌定位技术及字符分割技术进行研究比较,选取适用于本论文的方法,最后论述这两项技术的选取对车牌字符识别的影响。对于车牌字符特征提取,研究了常用字符特征及其提取方法,分析得出这些方法都未考虑复杂光照的影响,于是将人脸识别领域中具有光照鲁棒性的局部二值模式(LBP)特征提取算法加以适当改进并应用到车牌识别系统中。在重点研究LBP和弹性网格的特征提取方法基础上,提出了一种基于LBP和弹性网格的联合字符特征提取方法。在车牌字符识别部分,研究分析了现有车牌字符识别算法,得出会因样本空间分类多存在网络训练失败的缺点,而卷积神经网络(CNN)采用基于梯度的改进反向传播算法,能有效克服上述缺点,故将CNN用于车牌字符识别。根据CNN算法原理及本文中所用车牌字符图像特点,设计出六层的卷积神经网络结构。最终试验结果表明,对不同光照条件下车牌字符图像能够达到95%的识别准确率,满足了光照鲁棒性和高识别率的设计要求。