车辆牌照自动识别技术是智能交通系统的关键技术之一，是计算机视觉与模式识别技术在现代化智能交通管理领域中的一项重要研究课题。在城市智能交通系统中，车辆牌照自动识别系统的应用十分广泛。随着数学形态学和神经网络的发展，其良好的性能在车牌识别问题中得到了广泛应用。然而，数学形态学中固定大小的结构元素并不适用于大小变化的车牌图像，对于结构元素的自适应选取仍然是个棘手的问题。此外，BP神经网络的局部最优和慢收敛的问题对车牌识别的精度和速度都造成了较大影响，因此网络学习速率和训练过程还不够理想，也迫切需要得到改善。本文提出了自适应的车牌定位算法和基于模拟退火的多级神经网络字符识别算法。自适应车牌定位算法利用遗传模拟退火算法在全局范围内搜索最优值，优化选取结构元素，而无需根据先验知识来确定结构元素。基于模拟退火算法的多级神经网络字符识别算法设计了自适应学习速率，通过梯度直接参与学习速率的计算，既保证了学习效果又加快了学习速度；设计了传递函数加速因子，用输出层与隐含层的权值修正量，协调输入层与隐含层的权值修正量，提高了网络的收敛速度；采用带记忆的简化判断函数的模拟退火算法训练神经网络，使以前的最优解能够参与新的迭代计算，克服了局部最优，减少了计算量；针对易混字符，设计了两级神经网络模型，通过采用不同的特征提取算法对字符识别，增加了字符特征向量表征字符，提高了识别准确率。此外，针对复杂背景下的车牌图像采用了自适应光照补偿，提高了车牌定位精度和字符识别的准确率。实验结果表明，本文提出的自适应车牌定位算法能够解决因传统数学形态学定位算法结构元素不准确而导致的定位不准确问题。基于模拟退火的多级神经网络字符识别算法能够解决传统识别算法收敛速度慢、容易陷入局部最优，进而影响车牌识别率和识别速度的问题。在现实环境中，还存在车牌有污点、字符之间有粘连等情况，需要进一步提高本算法的定位及识别精度。