随着国民经济的日益发展，我国汽车数量在迅速不断增加，这给人们日常生活带来方便的同时，也引发了许多问题。目前，采用智能交通管理系统(ITS)已成为公路交通、城市交通管理的主要手段和发展方向。而车牌自动识别技术又是智能交通管理系统中的核心部分。因此车牌自动识别技术具有巨大的经济价值和现实意义。车牌自动识别的流程分主要为三个阶段：车牌定位、车牌字符分割和车牌字符识别。本文依次对这3个阶段进行了系统的研究。 在车牌定位方面，本文利用了基于边缘跳变统计的方法进行车牌定位。首先对汽车图像进行灰度化处理和小波包降噪处理，有效地消除了图像的噪声，然后用边缘检测算子提取边缘信息。实验证明，通过统计边缘跳变的方法可以很好地确定车牌的具体位置。 在车牌字符分割方面，本文对车牌图像进行几何矫正并分析比较了各种二值化的算法，在这个基础上，去除车牌图像的上下边框。最后采用投影法实现字符初分割，然后对断裂的字符进行合并，粘连的字符则进行再次分割，实现字符的最终分割。 在车牌字符识别方面，本文重点介绍了小波包分析原理，利用小波包分析和寻找最优小波包基进行字符的特征提取。传统的小波转换按照不同的层次把一幅图像分解为高频和低频，但它只对低频部分做进一步分解，因此忽略了一部分有用的细节。与其它的分解方法相比，小波包分析具有更好的时频定位性能。它对低频部分分解的同时，还进一步对高频部分提供更精细的分解。支持向量机方法是由Vapnik等人在1995年提出的一种新的机器学习方法，它建立在统计学习理论的vc维理论和结构风险最小化原则的基础上。能够较好解决小样本、非线性及高维数等模式识别问题，近年来支持向量机已在多个领域中得到了广泛应用。利用支持向量机原理进行字符识别的时候，即使在训练样本比较少的情况下，仍可得到较好的识别率。本文根据车牌字符的特征，分别构造了汉字分类器、字母分类器、数字分类器和数字十字母分类器等四类分类器，通过车牌字符在车牌号码的序号对每个字符进行识别，再将识别结果组合得到整个车牌号码。实验结果表明该方法具有较高的车牌字符整体识别率，能够满足实际应用。