车牌识别系统指的是将视频或图片中车辆牌照信息进行电脑识别，并输出车牌字符信息的一种处理系统，日常生活中的应用非常广泛。然而，由于阴天、下雨、雾霾等不良天气原因或成像设备本身的原因所导致的视频图像模糊现象，是造成现有车牌识别系统识别率难以提高的根本原因。结合序列图像超分辨率重建的车牌识别的研究对象是序列低分辨率图像，主要包括三个部分：序列低分辨率图像超分辨率重建、车牌定位与字符分割、车牌字符识别。主要工作如下：1．针对序列低分辨率图像超分辨率的特点，采用了一种L1和L2混合范式的超分辨率重建算法。即结合了L1和L2两种范式超分辨率重建算法的优点使图像噪声也能充分地抑制，序列低分辨率图像的细节信息能够更加突显。该方法在不同背景条件下具有较好鲁棒性。2．针对序列图像超分辨率重建后的高分辨率图像，进行车牌定位，采用的是HSV颜色模型和大津法相结合的车牌定位方法。该方法首先将重建后的图像从RGB空间转换为HSV空间，针对车牌颜色对应的颜色空间范围滤除无关信息。在车牌区域颜色空间范围对应的RGB图像转换成灰度图像，利用大津法对车牌区域图像进行定位得到车牌区域。而后对定位后车牌区域进行垂直投影法操作，得到车牌中单个字符的二值图像信息，等待下一步字符识别。3．针对车牌七个字符中字母数字的位置具有不确定性的特点，采用单个字符库进行字符识别过程。本文采用的字符识别方法是梯度方向直方图和支持向量机相结合的方式对车牌字符进行识别。首先分别采集大量常态下34个车牌字符的样本的二值图像，采用梯度方向直方图对二值图像进行特征提取，并送入支持向量机训练得到最佳分类器。最后将分割后二值化车牌按照分割先后顺序对单个字符进行归一化处理后送入分类器进行识别，并将识别得到结果顺序输出得到车牌字符。实验结果显示对比于传统的基于特征匹配和BP神经网络的车牌识别算法对字符的识别有明显的改善。结果表明，通过L1和L2混合范式的超分辨率重建处理，将方向梯度直方图和支持向量机相结合的识别方法对车牌中的字符有较好的识别效果。