由于我国汽车数量的大幅增长,交通问题日益突出,为了缓解交通压力,提高车辆的管理效率,智能交通系统应运而生,而车牌识别系统是智能交通系统的重要组成部分,所以对车牌识别技术的研究具有重要意义。虽然我国车牌识别技术在长时间的研究和努力下,取得了不错的研究成果,能够准确地识别出多数场景下的车牌,但在复杂环境下得到的车牌图像往往具有多种干扰因素,如光照条件恶劣、车牌倾斜、车牌污损等,利用现有车牌识别技术对复杂环境下的车牌图像进行定位与识别,取得的效果并不理想。针对这些问题,本文在现有车牌识别技术的基础上做出相应改进,使车牌识别算法更适应复杂环境,主要工作有以下几点。首先,为了避免图像增强时纹理信息容易丢失的问题,本文采用在频域中的同态滤波算法对车牌图像进行增强,针对以往同态滤波的滤波器参数多,计算复杂的问题,对传统的巴特沃斯滤波器进行改进,将未知参数由五个降低成两个,实验表明,在不影响图像增强的同时,大大降低了算法复杂度,节省了计算时间。在车牌定位时结合光照补偿,对车牌HSV颜色模型进行三通道分离,保持色调分量不变,对饱和度分量进行拉伸,利用改进的同态滤波对亮度分量进行光照补偿,再结合车牌的颜色、结构特征定位出车牌区域,实验结果表明,该算法对复杂环境下的车牌定位效果提升明显。其次,针对传统车牌倾斜校正算法对车牌边框要求较高的问题,本文引进图像低秩纹理不变性的算法,并将其应用到车牌倾斜校正中,实验证明该算法不依赖车牌边框,仅依据未倾斜的车牌图像具有低秩性,就能将倾斜的车牌图像校正。字符分割时,本文采用投影分割算法,但是在传统垂直投影中,如果单个字符出现断裂就会导致字符分割失败,为此,投影分割时引入本文设计的字符模板框后,能够准确、有效地切分出完整的车牌字符。最后,对传统LeNet-5网络进行改进,将其整合成双层LeNet-5卷积神经网络,并对网络中的参数及激励函数进行调整,训练车牌字符得到网络的最优模型,实验结果表明,改进的双层LeNet-5网络在车牌字符识别率上优于传统LeNet-5网络,在识别速率上也明显优于模板匹配、BP神经网络算法,具有较高的鲁棒性。