在现在的信息技术时代，自动控制和智能系统的应用越来越普遍。人们用传感器来计算车辆数目，例如进入停车场的汽车，这需要传感器能够检测车辆并将其归为相应的目标类，通常用照相机识别进入停车场的汽车来实现。目前，智能交通系统(Intelligent Transport System,ITS)受到普遍关注。在交通监控系统中，车辆识别(Vehicle recognition,VR)具有广泛的应用前景，包括消费行为、车辆跟踪、警务、治安等。　　在过去的十年中，神经网络被应用于信号处理的诸多方面，如滤波、参数估计、信号检测、系统辨识、模式识别、信号重建、时间序列分析、信号压缩和信号传输，处理的信号包括音频、视频、语音、图像、通信、地球物理、声波、雷达、医学、音乐等。在信号处理中神经网络的主要特点是异步并行和分布式处理，非线性动力学，网络单元的全局互联，自组织，以及较高的计算速度，因此，神经网络能够有效解决信号处理领域的许多问题，尤其是非线性信号处理和盲信号处理。　　模式识别是一门用于分类的科学，可以用来处理图像、信号波形或任何类型的测量信号。随着社会发展，信息处理和信息检索越来越重要，从而使模式识别成为工程应用、研究与发展中的先进技术。模式识别任务能够实现半自动或全自动监督，这与神经网络学习相关联，因此，模式识别和神经网络紧密联系到了一起。　　车辆识别在交通监控系统中应用广泛，车辆可以通过牌照、标志、后视镜、车头灯、挡风玻璃、车顶等特征识别出来，此外，车辆声音，即发动机噪声也可用来识别某种特定类型的车。美国联邦公路局(FHWA)根据2门、4门或SUV，将车辆分为几类。任何VR系统中最重要和最难的部分是车辆特征的检测和提取，因为标志和车牌号可以是文字、数字、图示或不同形式的组合，这直接影响整个系统的准确性，噪声，图像的模糊，不均匀光照，暗光以及有雾的情况下更为操作带来困难。　　形态学一般指生物学中研究动植物形态和结构的一个分支，这里我们用数学形态学来提取图像中描述区域形状的有用目标，如边界、骨架和凸包。此外，我们也对用形态学进行的预处理和后处理技术感兴趣，如形态学滤波、细化和修剪。数学形态学采用的语言是集合论，它为许多IP问题提供了一个统一有效的方法，如指纹识别等。　　车牌识别（NumberPlateRecognition,NPR）问题的研究已经较成熟，在一些商业运作系统中也有应用，然而许多这样的系统中要求有能够与红外闪光灯相结合的精密视频捕捉硬件，或者能够在某种地域条件下捕获车牌上的较大区域以及实现（人为的）高分辨率。本论文的目的之一是开发一种NPR系统，不需要用昂贵的硬件系统获得高质量的视频信号，就可以实现较高的识别率。为了在视频监控中搜索部分车牌号并与车辆的视觉描述相结合，我们研究了车辆制造和模式识别问题。本文提出的方法将为各级交通规则执行单位提供有价值的信息。　　本文提出了一种用数学形态学从车辆图像中识别标志的方法，主要利用了不同的形态学运算，在标志的提取过程中不依赖标志的颜色、大小和位置。方法的实现可分为以下几步，即图像增强、变换、滤波、标志提取。该方法能够从车辆图像中快速准确的检测出标志区域。　　这一过程中，标志和车牌号以外的特征也被识别出来，这是由仿真过程中一些较小的变化造成的。用相似方法可以识别车辆的不同特征，为了处理那些尚未注册，还没有车牌号的车，这里将三个不同的特征集合相结合，进行车辆识别，即使缺失其中一个特征，也可以用其他特征得到较准确的结果。通过增强该系统，可以识别FHWA或其他机构定义的其他种类车辆。在该方法中，数学形态学被用来提取不同特征，而分割标志、车牌、前灯之后的进一步工作是用过Hopfield神经网络来实现的。将不同特征与现成的模版相比较，就可以识别出字符、字母、数字、图像或者车辆形状。　　论文中研究了Hopfield神经网络（HNN），该方法重新引起了人们对神经网络的兴趣。Hopfield网络有很多重要的特性和应用，分为数字和模拟两类。文中概要叙述了该模型在模式识别中的应用，以及一些能够产生较好效果或能够克服网络局限等问题的网络或神经元模型的变种。文中讨论了Hopfield神经网络，该方法的有效性使人们对Amari和Hopfield等人的工作重新产生了兴趣。Hopfield网络模型可以是与节点的活性相关的数字值，模拟值，或模糊值，网络建立过程中需要考虑很多因素，包括模式识别问题，网络和/或神经模型中的一些重要变量能够产生较好的效果，或者能够克服网络局限性等问题。此外，文中讨论了该模型的稳定性和算法性能。在对模式识别中HNN的研究过程中，我们查阅了许多关于神经网络应用的文献。HNN可以用FPGA实现，论文中也对FPGA进行了详细叙述。与其他神经网络相比，HNN易于在芯片上实现。