支撑矢量机能够较好地解决小样本学习问题，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值。对于样本集线性不可分的情况，通过事先确定的非线性映射将输入矢量映射到一个高维特征空间，然后在此高维空间中构建最优超平面。具体反映在支撑矢量机选用的核函数，它能够避免在高维特征空间中进行复杂的运算。本文给出了线性支撑矢量机分类的几何模型，并对C-SVM和v-SVM两种支撑矢量机分类方法进行了理论分析，同时对常用的几种支撑矢量机分类算法进行讨论，特别对SMO算法进行了深入研究。 在分析多类支撑矢量机分类的基础上，针对总类型数量不多的图像分类情况，提出了基于多层感知器和单向二叉决策树的多类支撑矢量机分类方法。通过多层感知器网络的学习，获得支撑矢量机决策函数中合适的Lagrange乘子矢量及阈值b，以及非线性分类时核函数中的常系数，C-SVM分类和v-SVM分类时的约束值。最后用单向二叉决策树将图像逐步分类，并引入参数调整环节，以达到缩短图像分类识别的时间和提高识别精度的目的。 在实际的应用中，针对车牌识别过程中的牌照定位，本文从纹理图像分类的角度，先在空域中获得图像的角二阶矩、对比度、相关性和熵等四个特征量，再将原始纹理图像作DCT变换后对频率系数量化，从量化值中提取图像的方向性，并用量化值的统计特性和图像的方向性结合起来构造特征矢量，最后采用支撑矢量机粗分类器和细分类器对汽车图像进行两级分类，从而实现牌照的定位。分类时综合考虑分类速度、分类精度和感兴趣的区域，可采取灵活的分类方式。该方法对于汽车牌照这样的纹理图像具有很好的分类效果，可操作性较强。 对于车牌识别过程中的字符识别，本文将SVM分类的输入参数主要集中在图像的边缘和字符投影特征上，用这些特征构造SVM算法的特征矢量。考虑边缘对字符投影特征的特殊性和重要性，提出一种基于边缘生长算法的边缘检测方法，该方法对灰度图像具有较好的边缘检测效果，同时也提出一种基于RGB降维模型和小波变换的彩色图像边缘检测算法，保证最大限度地提取图像的边缘信息，尽可能降低输入参数对整个系统的不利影响。然后进一步提出根据图像边缘和字符投影特征构造图像特征矢量的思想，以及特征矢量的构成方式和归一化方法。最后运用单向二叉决策树分类识别方法进行了字符分类识别，取得了比较好的效果。 在车牌识别的嵌入式应用方面，本文研究和设计了一种集图像采集、图像识别、图像传输、设备控制等于一体的实时分任务嵌入式系统。该系统充分利用TI公司C6000系列DSP强大的并行运算能力、Intel公司StrongARM健壮的实时控制特性、以及FPGA灵活的时序逻辑控制技术，从硬件方面实现系统的高速运行。 分析了DSP图像处理模块中使用的DSP／BIOS实时操作系统，对在使用该操作系统中的一些关键问题做了详细的研究。然后针对StrongARM实时控制及传输模块使用的Linux操作系统，在分析Linux内核源代码利嵌入式Linux这些已有研究成果的基础上，对嵌入式Linux系统的实时性、存储管理方面进行了改进，并在设备驱动程序的开发等方面进行了深浙江大学博士学位论文入分析。最后给出了车牌识别系统开发过程中的主要实现方法。关健词:支撑矢量机;多层感知器;单向二叉决策树;车牌识别;纹理识别;字符识别; 实时分任务嵌入式车牌识别系统;DSP;Linux