随着城市汽车数目的迅速增加,车牌识别技术成为了智能交通的研究热点。汽车牌照识别技术是智能交通的核心部分,主要包括车牌图像预处理、车牌定位、倾斜校正、字符分割和字符识别等几个部分。本文在分析近年来国内外车牌识别技术最新进展的基础上,对车牌识别系统的关键技术进行了研究。支持向量机(SVM)是20世纪90年代由Vapnik等人提出的一类新型机器学习方法,它能够成功地处理分类和回归问题。由于支持向量机出色的学习性能,该技术已经成为机器学习界的研究热点,并在很多领域得到了成功的应用。但是,作为一种尚未成熟的技术,支持向量机目前还存在着许多局限,如存在不可分区域、训练时间过长等。模糊数学是研究许多界限不分明问题的一种数学工具,利用模糊数学和模糊逻辑,能很好地处理各种模糊问题。粗糙集可以化简训练样本集,在保留重要信息的前提下消除冗余数据,提高分类速度。本文将粗糙集与模糊SVM相结合,给出了一种基于粗糙集和模糊SVM的车牌字符识别算法。在车牌定位阶段,采用了一种基于支持向量机的车牌定位算法,可以准确地定位出车牌。在车牌字符分割阶段,考虑到车牌字符存在粘连的情况,给出了一种改进的垂直投影分割法,提高了字符分割的成功率。在车牌字符识别阶段,利用粗糙集对提取的字符特征进行约简,有效地减少了训练和测试的时间,并且针对传统支持向量机多分类方法存在不可分区域的问题,本文引入了模糊数学的理论,有效地解决了这一多分类问题。最后用MATLAB R2009a和LIBSVM工具箱对本文给出的基于粗糙集和模糊SVM的车牌字符识别算法进行了验证实验,实验结果表明,本文给出的算法能够较好地解决SVM中存在的不可分区域的问题,提高了识别效率,实验结果验证了本文算法的有效性。