随着信息技术和智能技术的快速发展,智能交通系统己逐步深入到人们的生活中。而作为智能交通系统的核心组成部分——车牌识别系统,在现代交通系统扮演着举足轻重的角色。　　 本文对整个车牌识别系统进行了深入的分析与研究,在图像预处理阶段主要是选用Top-hat变换来解决了图像偏暗的情况,并分析了各种边缘算子的优缺点,结合本文实际情况,选取Canny算子进行车牌字符区域的边缘提取。车牌定位是本文的一大研究重点,本文提出一种融合彩色信息、灰度信息、纹理特征和先验信息的定位算法,采用数学形态学算法进行车牌类似区域提取后,利用我国车牌背景色与前景色固有的颜色搭配规律,在彩色空间进行车牌候选区域筛选。接着利用车牌区域的纹理信息和先验信息去除车牌边框、铆钉以及其他噪声,并利用Hough变换和图象旋转的思想对车牌进行了倾斜校正。在字符分割阶段,利用垂直投影法进行粗分割,结合先验知识进行精确分割,并对字符粘连和字符为“1”的情况进行了深入研究。字符的识别采用特征匹配和人工神经网络结合的方法,用特征匹配的方法提取字符的特征(包含结构特征和统计特征),作为神经网络的样本输入。因我国车牌七个字符的分布规律,本文采用分级网络的思想,构建汉字、字母以及字母/数字混合三类子网络,来分别进行字符识别。神经网络选用的是技术最成熟应用最广的BP神经网络,但BP网络是基于梯度的算法网络,有着收敛速度慢,受噪声影响大以及易陷入局部最小值的缺陷。遗传算法是一种以自然选择和遗传理论为基础,将生物进化过程中适者生存原则与群体内部染色体的随机信息交换机制相结合产生的全局寻优搜索算法,本文利用它的全局寻优策略,对神经网络的网络结构和网络权值阈值进行优化,使网络收敛于全局最优解。实验证明,遗传神经网络有效的加快了收敛速度,改善了网络易陷入局部极值的缺陷,还具有一定的鲁棒性。