随着智能交通系统的蓬勃发展,车牌识别作为其中的核心技术,其重要性日益攀升。尽管已经有一些商用车牌识别系统投入使用,但多数都是受于某种限制条件下的,例如限定的场景、光照、车牌制式等。对高鲁棒性的车牌识别技术的研究依然具有巨大的科研和实用价值。本文致力于研究能够在不同场景、不同光照条件、不同(图像)质量下均能得到满意效果的,具有高鲁棒性的车牌识别关键算法。主要工作包含以下四个方面：1)对于车牌定位问题。针对不同场景,分别提出了基于边缘增强和局部OTSU二值化的规则式定位算法和基于adaboost的学习定位算法。鉴于两种方法具有很强的互补性,提出了混合定位算法,该方法结合了两种定位算法的优点,具有很高的召回率。在实验中,混合方法在两种常用场景中均达到99%左右的召回率,在低质量和复杂场景下也有不错的性能。2)对于车牌字符分割和识别问题。传统分割方法难以分割低图像质量的车牌。本文利用连通区域检测、svm分类器、niblack二值化等多种技术实现了一个能够准确地分割低质量车牌的算法。实验的测试结果表示,由于应用了这一算法,整体车牌分割准确率从94.96%上升至98.63%。3)对车牌识别数据集问题进行了深入的探讨。指出目前很多数据集都比较单一,会造成算法的数据偏见。本文根据不同光照、场景、(图像)质量建立了多样化数据集,期望在这样的数据集上设计更加鲁棒的算法。4)实现了一个完整的车牌识别系统。在两个真实数据集上进行识别实验,最终得到92%～93%的整体准确率。说明本文的算法具有较高的准确率和良好的通用性,有较高的应用价值。