在交通智能监视管理中车牌识别系统有着重要的应用,也是目前国内外模式识别领域的研究热点。本文主要采用数学形态学技术、数字图像处理技术及神经网络技术对车牌图像进行处理,针对车牌识别过程中的车牌定位、倾斜校正、字符分割、特征提取和字符识别环节进行了分析研究,设计了一完整车牌识别系统,并进行了MATLAB仿真模拟。首先,针对不同背景和光照条件下车牌图像定位困难问题,本文研究了基于背景和像素的彩色车牌定位方法,根据背景差和像素投影实现了车牌的精确定位;同时分析了基于形态学处理后几何形状特征的定位方法,并对基于彩图和灰度图的两种定位模式进行了仿真对比。其次,针对噪声影响严重和定位后误差问题,本文研究了基于最大类方差的模板匹配字符分割法,根据字符像素类间方差的最大值和模板匹配原则实现了车牌字符的精确分割;同时介绍了基于反色二值化投影的字符分割法,模拟了投影模式下的车牌去边框和字符分割过程,并对两种字符分割方法进行了比较分析。最后,针对标准BP神经网络收敛速度慢、易陷入局部最小值的问题,研究了附加动量因子及动态自调整学习速率的BP分类器改进方法,运用轮廓特征提取、基于Zernike矩和Gabor变换特征融合的特征提取方法提取了字符的特征,设计了改进的BP神经网络,实现了汉字、字母、数字的精确识别,并计算了识别中颜色的贡献率。实验证明将多种模式识别与图像处理技术有机结合能提高系统识别能力,能满足复杂环境下实时识别车牌的要求,具有一定的理论和实际意义。