智能交通目前已经开始应用于高速公路的收费、停车场的收费、出入访问控制、预防犯罪和交通数据收集等交通领域和安全领域。智能交通体系将是不久的将来交通管理系统的主流趋势。而车牌的识别系统则是智能交通系统当中不可缺少的重要的组成部分。车牌的识别系统一般包括了对车牌图像的预处理、对于车牌区域的定位操作、对于车牌字符切分还有对于切分了的字符识别共四个部分。本文分别从这四个部分重点研究车牌识别技术。1）车牌图像预处理。由于初始获得的包含有车牌的图像可能不便于用来对车牌的定位，所以在车牌定位之前，必须要对图像进行恰当预处理。预处理主要包括：彩色图像灰度化、对已经灰度化了的车牌图像进行复原、增强或平滑滤波等，图像预处理需要根据采集到的图像的实际效果来进行。为了后续快速、高效检测车牌图像角点，还需要将复原、增强或平滑滤波后的包含有车牌的图像进行边缘检测、对边缘检测后二值化了的图像进行形态学处理，再以形态学处理之后的图像作为掩膜与边缘检测得到的灰度图像相乘得到将要进行角点检测的灰度图像。2）车牌定位。考虑到车牌区域包含有较多的角点信息，本文提出来了一种将Harris角点检测的方法与AP聚类算法结合在一起的车牌定位方法。对要进行角点检测的灰度图像采用Harris算法来检测出车牌字符区域的角点、AP聚类并剔除包含角点数较少的类以及远离类中心的离群点，最后进行区域的合并，根据车牌区域的宽高比例识别车牌区域。3）车牌字符切分。车牌的字符切分在整个识别的流程当中尤为关键，切分的准确与否，直接决定了能否完成正确的对车牌字符识别。首先，利用霍夫变换法和投影法将定位出的车牌区域进行倾斜校正，然后利用灰度投影跳变去除边框，最后利用投影法与模板匹配的方法来达到对字符的切分。4）车牌字符识别。本文根据先验的知识，将汉字单独进行识别，综合研究了BP神经网络法。通过对学习的速率进行自适应的调整与附加动量的方法优化了BP算法；通过对样本进行特征提取，然后根据这些提取出来的特征使用BP神经网络法进行训练与识别。本文以Matlab作为研究工具对车牌识别中车牌定位、分割、识别等相关算法进行研究，实验表明：鲁棒性好的图像预处理是车牌能否准备定位的关键，在图像预处理得当的前提下，本文提出的Harris角点检测法与AP聚类结合起来的车牌定位方法准确率高。结合投影法和模板匹配法能很好的对字符切分，但车牌字符识别准确率仍然要进一步提高。