作为智能交通管理系统(Intelligent Transportation System,ITS)的关键组成部分之一,车牌识别系统已经广泛应用于日常生活中,但是应用场景大都固定单一,限于停车场、小区出入口等质量较好的场景,而对于其他较为复杂的环境,尤其是低质量监控视频环境并不适用。本文着眼于此,仔细分析低质量监控视频中车牌定位的难点,以及目前已有的车牌定位技术所存在的不足,对低质量监控视频中的车牌定位问题进行了深入研究。主要工作如下:(1)提出了一种基于特征融合的车牌定位方法。以特征提取和机器学习相结合的思想为出发点,从边缘、颜色、纹理等多个特征角度综合分析车牌,然后利用训练好的SVM(Support Vector Machine)分类器进行车牌候选区域分类,实现车牌定位。实验结果表明,同时采用多种特征分析的车牌定位方法,相比于其他使用单一特征或两个特征的方法准确率更高,漏检率明显较低,但是在实际的低质量监控视频中适用性仍有待提升。(2)实现了基于卷积神经网络的车牌定位方法。为了提高低质量监控视频中车牌定位的准确率,以目标检测框架Faster-RCNN为基础,对特征提取网络和区域生成网络的结构进行改进,同时构建卷积神经网络(Convolution Neural Network,CNN)训练所需样本库。实验结果表明,基于卷积神经网络的车牌定位方法可以用于多种低质量监控场景,相比于基于特征融合的车牌定位方法,车牌定位准确率有明显提升,对低质量监控视频的鲁棒性较好。(3)实现了低质量监控视频中车牌定位系统。为降低误检率,同时对倾斜车牌进行矫正,提出了误检区域的滤除方法和倾斜车牌的矫正方法,与车牌定位模块整合在一起,形成车牌定位系统。实验结果表明,该系统进一步提高算法的性能,更有利于后续的车牌分割与车牌识别。