一类支持向量机(1-SVM)作为支持向量机的一个重要分支算法,在解决小样本聚类学习、非线性问题、异常值检测等无指导领域取得了广泛的应用。车牌自动识别系统是机器学习和模式识别技术在智能交通领域的重要应用,受到广泛的关注。因此,进行基于1-SVM的车牌识别技术的研究,具有一定的理论意义和实践价值。本文主要工作包括:(1)将序贯最小优化方法(SMO)移植入1-SVM作为训练算法,并针对车牌定位等实际一分类应用问题,提出了层次型偏二叉树1-SVM分类器结构,逐层排除非目标对象,提高了分类速度。在此基础上利用遗传算法的全局优化能力,解决核函数的参数选择问题,实现参数最优搜索。(2)在车牌图像的预处理以及字符分割部分,采用了Hough倾斜校正,基于区域连通法、投影法和先验知识的综合字符分割方法,克服了传统方法受车牌获取大小影响较大的缺点,可有效解决粘连和倾斜字符的分割问题,实现字符快速切分,并且使错误率降到最低。(3)扩展1-SVM到多分类模型,提出基于1-SVM的多球体分类器。在构造多球体分类器时,为了保证每一类单独给出的超球体对于数据集中所有的类是足够小的,考虑其他类数据对某一类分类的影响程度,采用隐式分解策略,提出了基于1-SVM的两种数学形式的多球体分类器方法。针对车牌识别系统,将基于1-SVM多球体理论分类器模型应用到字符识别模块,并通过样本库递增实验获得最优规模的训练集,为系统的实际应用提供设计依据。