智能交通系统(IntelligentTransportationSystem,ITS)是提高交通管理水平的重要途径,而车牌识别(LicensPlateRecognition,LPR)技术作为智能交通系统的重要组成部分,在现代交通监控及管理系统中发挥着重要作用,因此研究与开发车牌识别系统对于提高交通管理水平、加快交通管理现代化步伐具有重要的实际应用价值。本文主要研究了基于提升小波和小波神经网络的车牌识别方法,设计并实现了车牌识别系统。　　 首先,针对车牌定位问题,利用提升方案对车辆图像进行小波分解,得到高频分量子图,同时保留低频分量子图边缘,最终合成一幅能突出车牌区域的边缘图像,在此基础上根据车牌自身的特征采用水平扫描法和垂直投影法定位车牌。由于基于提升小波的边缘检测算法可以减少车身弱边缘,突出车牌区域,从而可以比较准确地定位出车牌。　　 其次,利用基于投影的字符分割法实现车牌字符的准确分割,然后根据组合矩对数字图像具有平移、旋转、比例不变性的特点,有效地提取了字符的特征信息。　　 接着,针对传统小波神经网络基于均方差函数的梯度学习算法收敛速度慢和易于产生局部极值点的缺点,利用熵函数准则在改善网络的收敛速度优于均方差函数准则的特点,提出了基于相对熵准则的小波神经网络作为分类器的字符识别方法,采用相对熵函数作为小波神经网络的代价函数,把基于组合矩特征提取方法得到的字符特征向量作为网络的输入进行识别。实验结果表明,该方法可以使网络具有良好的逼近效果,同时加快了收敛速度,提高了识别率。　　 然后,针对复杂背景下的车牌定位问题,提出了一种基于改进的提升小波边缘检测算法和形态学相结合的快速定位方法。该方法利用提升方案的剖分和预测算法得到图像的边缘,通过对边缘图像进行形态学处理得到候选区域,最终根据可信度评价确定出车牌位置。仿真结果表明,该方法实时性好,定位准确率高。　　 最后设计实现了一个车牌识别的原型系统,实验结果验证了所提方法的有效性,取得了较好的效果。