交通运输建设是国家建设的重要组成部分,在国家经济等层面的运作都需要交通运输来支撑。因此利用成熟的电子、网络、机器视觉技术来构建智能交通系统(Intelligent Transportation System,ITS),发展该系统的主要目的是改善交通、减少交通拥挤、降低交通事故。本论文利用图像处理与计算机视觉技术研究并设计了一套车牌识别系统,该系统是智能交通系统的重要组成部分。支持向量机(SVM)是Cortes和Vapnik于1995年首先提出的,它是建立在统计学习理论的VC维理论和结构风险最小原理基础上的的一种机器学习方法,通过寻求结构化风险最小来提高学习机泛化能力,来获得良好统计规律的目的。SVM一直被认为是效果最好的现成可用的分类算法之一,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势。MQDF是基于统计模型和中心极限定理,在QDF的基础上进行K-L变换,并且用常量来代替小的特征值来改善计算速度和分类的正确率,具有很好的鲁棒性和较高的识别准确率,广泛应用于手写体识别。车牌识别系统是由车牌检测、字符切分与字符识别三个部分组成。本文具体研究内容如下：1.在车牌检测中,由于传统的车牌检测技术(主要是基于纹理和基于颜色)对不同大小车牌、不同角度车牌、晚上有灯光照射到车牌上等检测率不高。所以本文采用基于Haar特征的级联Adaboost学习算法进行车牌检测,车牌检测率高、鲁棒性高,但误检率略高,当然后面的字符切分和字符识别可以反馈去除误检候选区。2.在字符切分中,本文主要提出了基于连通域坐标信息和直线拟合的方法对车牌进行水平矫正并去掉水平边框。该方法鲁棒性高。3.在字符切分中,本文也提出来基于连通域坐标信息和车牌先验知识寻找大间隔进而对车牌字符切分的方法。该方法切分效果好,实现简单。4.在字符识别中,本文结合了MQDF和SVM分类算法的优点对车牌字符进行识别,改进了层次匹配策略,巧妙的利用相似字符局部特征差异大、局部使用以上分类算法对字符进行识别。