中国已迈入汽车社会，交通拥堵日趋严重，交通事故频发，因此，需要通过智能交通技术，有效管理车辆。车牌识别技术是智能交通系统的主要技术之一，已经成为研究热点。从该技术的发展情况来看，研究重点是在复杂场景下的快速准确识别车牌。车牌识别技术主要包括车牌定位、字符分割和字符识别技术。本文对现有车牌识别算法存在的问题，从以下四个方面做了研究：1、在复杂场景下，车牌定位准确率会下降。使用AdaBoost算法在取得了较好定位效果的同时，会在训练后期，出现样本权重扩张和训练退化现象，使弱分类器的分类错误增大，所以，本文提出了基于弱分类器权重调整的AdaBoost算法。该算法根据分类错误最小和分类器响应最大原则，通过遗传算法，调整弱分类器权重，再按照损失函数最小化的迭代条件，以控制总体训练错误上界。实验结果表明，该算法能有效提高车牌检测率，降低虚警率。2、以较大视角拍摄车牌，会引起严重的透视畸变，对此，本文提出车牌透视校正算法。该算法先检测车牌图像直线，按斜率一致性分类直线，再对于长边组，依据距离水平中心线最近原则，确定上下边缘，对于短边组，由距离最远的两条直线，通过阈值，回缩至各自最近直线，以确定左右边缘，最后，利用求出的车牌四个顶点，根据透视变换，校正车牌。实验结果表明，该算法能较好地校正透视畸变严重的车牌。3、因字符间距变化引起字符粘连，导致分割可靠性降低，对此，本文引入基于模糊Gath-Geva聚类的字符分割算法。该算法采用指数形式的距离度量，它根据极大似然函数，估计字符象素点分布情况，它通过模糊协方差矩阵，对因字符间距变化引起粘连情况，以软边界形式，聚类字符象素点。实验结果表明，该算法能有效分割字符。4、对光照变化和噪声影响字符识别的问题，本文提出了基于主视觉单词的字符识别算法。该算法在主视觉单词的基础上，通过它与待识别字符的SIFT特征匹配情况，实现字符识别。在匹配时，利用匹配点主方向一致性和在图像中的相对位置对应性，减少噪声影响，以增强匹配可靠性。实验结果表明，该算法能有效提高匹配可靠性和字符识别率。