车辆牌照识别系统目前得到了广泛的应用,对交通智能管理具有重要的意义。而车牌字符识别作为其中关键的环节也成为了目前的研究热点,它综合了图像处理,模式识别以及机器学习等多种技术。本文根据自然条件下车牌字符模糊,变形等特点,提出了多种图像噪声处理的算法,包括单象素噪声去除算法,基于连通域和二阶矩以及边缘扫描的噪声去除算法,较好的去除了图像中包含的噪声区域。为了更好的描述字符特征,本文比较了几种特征提取的算法,并采用了网格重心特征作为车牌字符特征。由于训练样本不足,决定了采用传统的基于经验风险最小化原则的识别方法难以取得较好的识别效果。统计学习理论是一种专门研究小样本情况下机器学习规律的理论,在统计学习的VC维理论和结构风险最小化原理的基础上,发展了支持向量机理论。因此本文采用了基于SVM的车牌字符识别方法。为了设计基于SVM的分类器,本文提出了衡量参数性能的标准:推广正确率和支持向量数。并给出了基于二次网格搜索方法的核参数选取方法,找出了多项式核函数,RBF核函数以及Sigmoid核函数的最佳参数,从中确定了SVM的最优核函数及其参数。同时给出了多类判别的方法。针对部分车牌字符图像质量过差的特点,本文提出了衡量拒识性能的标准:正确拒识率和召回率,并给出了基于投票阈值的拒识算法,对拒识性能进行了分析。为了比较SVM的识别性能,本文也采用了基于混合高斯模型的车牌字符识别算法,给出了基于GMM的分类器的训练和识别的算法,提出了基于概率密度的拒识算法,并就识别准确率和拒识性能与SVM进行了比较。实验结果表明,本文提出的图像处理和分类器设计方法有着良好的效果,在识别准确率和识别速度方面都满足了实际应用的需要。