随着经济的快速发展,人们收入水平的稳步提高,私人汽车成为了人们适应快节奏出行的首要选择。但是我国的交通基础设施建设并没有跟上汽车增长的步伐,导致了交通拥堵、环境污染、停车难等一系列社会问题,严重制约了社会经济的发展,因此,越来越多的学者加入到交通问题研究的队伍当中。其中,智能交通技术是保持交通可持续发展的重要手段,车牌识别技术是智能交通系统的重要研究课题之一,而车牌字符识别又是车牌识别系统的一个重要支撑点。本文在总结前人研究经验和工作成果的基础上,对几个车牌字符识别的关键技术提出新的改进算法。首先,通过利用改进的基于顶帽变换的图像增强算法进行图像预处理,经过亮度均衡后的车牌图像能够消除阈值化过程中由照度变化不均匀而产生的噪声,有效解决了车牌图像背景的噪声问题,为后续的车牌字符识别奠定基础;其次,通过分析常用的模板匹配函数,提出了新的基于全局信息的车牌匹配函数——全局重合度函数,实验表明,全局重合度函数能有效地提高车牌字符的识别效率,优于传统的模板匹配函数;再次,针对车牌字符图像的特点,分别对字符特征提取算法和特征分类器进行了优化,实验结果表明,优化后的车牌识别算法的识别率达到了96.54%,平均识别时间为0.384s;最后,本文在传统LeNet-5卷积神经网络结构的基础上提出了一种简化的多通道网络结构(MultiSimplified Convolution Neural Network,M-SCNN),利用M-SCNN网络结构能大大缩短字符识别的时间,平均识别时间为0.003s,同时识别率能达到96.23%。