车牌识别系统是智能交通系统中的核心部分，主要涉及模式识别和图像处理等计算机技术，有利于解决日益严重的道路交通管理问题，同时可用于交通流检测、公路收费点、机场、港口、停车场、小区等交通关卡处，能方便有效地进行车辆监控管理，具有广阔的应用前景，一直以来备受关注。本文首先对车牌识别系统中车牌预处理、定位、分割、识别等关键技术进行论述，并将粒子群算法与神经网络相结合用于车牌字符识别，该方法可有效提高车牌识别的准确率。最后对100幅车牌图片进行实验验证，识别率为92%，具有较好的识别效果。本文主要从以下三个方面进行了研究：(1)针对当前算法在车牌定位和倾斜校正部分的不足，将Radon变换方法用于车牌的倾斜矫正，并根据车牌区域纹理特征，提出了基于连通域和纹理特征的综合定位策略，很大程度上提高了车牌的定位效果；(2)分析了基于神经网络的车牌识别方法的优缺点，引入粒子群算法优化人工神经网络，利用粒子群算法具有依赖的经验参数较少、收敛速度快等优点训练神经网络的阈值和权值，实验仿真表明改进后BP神经网络算法具有更快的网络收敛速度，极大地缩短了网络训练的使用时间；(3)在理论研究的基础上，本文通过VC++6.0对图像预处理各环节的算法进行仿真和验证，比较各模块算法的优劣，寻找最优的综合策略，然后根据该策略采用matlab开发出车牌识别系统，并给出了仿真结果。