车牌识别是近年发展起来的智能交通管理系统的核心部分之一。其研究内容是将图像处理与模式识别结合起来。国内车牌识别的研究有其特殊性--汉字的识别。汉字识别准确率一直是国内外智能交通领域研究的一个热点，同时也是研究的重点和难点。所以研究如何改善车牌汉字的识别率对提高国内智能交通管理系统功能具有重要的应用价值。　　 车牌字符识别主要有两个部分组成：特征提取和分类器设计。有效的特征提取可以提高字符识别率，分类器设计的合理性关系到字符识别率的改善以及字符识别速度的提高。因此，选择有效的字符特征以及合适的分类器是车牌字符识别的关键步骤。　　 针对国内车牌汉字识别率较低的问题，本文提出一种基于矩不变量的多特征集成的车牌字符特征提取方法。该方法将字符的局部特征与全局特征结合起来。基于图像像素的局部特征可以描述字符的细节。具有全局性的矩不变量特征，在字符图像经过某种变换后仍具有不变性。两类特征的结合能更好地代表字符模式。本文选取的基于矩的模糊不变量的特征的原理依据是：图像受到模糊退化影响之后，其基于矩方法构造的组合矩的矩值仍然保持不变，即与原图像相同或者相近。集成特征充分利用了局部特征的细节描述能力和全局特征保持图像全局不变的特点。　　 在分类器方面，本文通过基于距离的分类，BP神经网络以及支持向量机三类分类方法的比较，选择了识别率相对比较高的支持向量机。与传统的机器学习相比，支持向量机在泛化性，非线性以及高维分类方面有着巨大的优势。因此本文利用支持向量机算法对经过特征提取的字符进行训练和识别，并且通过减少冗余投票改进支持向量机传统的一对一识别方法，以提高识别速度。　　 最后，本文通过实验证明，基于矩的模糊不变量的特征集成方法能够在一定程度上改善字符的识别率。