车牌识别技术是实现交通管理智能化的核心技术之一，在智能交通领域有着重要的应用价值，车牌识别系统主要包含车牌定位，车牌字符分割和车牌字符识别。神经网络识别是模式识别领域中的一个重要研究方向，它具有自组织学习、容错性高和鲁棒性强的特点，非常适合车牌识别研究，本文主要做了以下工作：首先对基于彩色图像的车牌定位方法和基于灰度图像的车牌定位方法进行了比较研究，然后根据我国车牌的特点和纹理特征，对车牌进行Haar特征提取，采用Adaboost算法进行车牌定位，对常用的Haar矩形特征进行扩展，定义了一种新的四矩形Haar条件矩形特征。实验结果表明，利用新增的四矩形Haar条件特征不仅缩短了车牌定位时间，还提高了车牌定位准确率。在车牌分割时，对车牌用Otsu法进行二值化处理，目的是提取图像的有效信息，用Hough变换法对其进行倾斜矫正、中值滤波法进行去噪处理。针对垂直投影分割法和模板匹配分割法的缺点，提出了一种新的垂直投影和多模板匹配相结合的字符分割方法。与以往的模板定义不同，本文把每个字符的宽度以及字符与字符之间的宽度定义为字符序列分割的标准模板，这里说的多模板指得是在原有的字符模板的基础上，对已有的字符分布模板库进行弹性缩放。实验证明，该方法准确分割字符率为98.35%，分割准确率比单独使用前面两种分割法有了很大的提高。接着对分割好的字符进行hog特征提取，简单介绍了几种常用的车牌识别方法，对BP神经网络和RBF神经网络进行对比分析，最终采用RBF神经网络进行车牌字符的识别，并用遗传算法对RBF神经网络的权值进行了优化，目的是提高网络的非线性逼近能力，保证识别准确率和识别效果。最后进行网络识别仿真，结果表明，优化后的网络不仅稳定性强，识别准确率也有很大的提高，由优化前的95.8%提高到98.2%。