随着汽车普及率的提高和公路交通需求的增加，交通问题日益突出，利用计算机技术来对交通进行有效管理和控制的智能交通系统日益受到人们的重视。在智能交通系统中，车牌的定位和识别是两项关键的技术，可以应用于多种场合，具有广泛的应用前景。 本文基于构造性的覆盖算法，将神经网络技术和传统的图像处理技术相结合，对车辆牌照的定位和识别进行了较为深入的分析和研究，力求在图像中存在较多干扰因素的情况下仍然能够较好的定位车牌并给出最终的识别结果；论文主要工作和创新点如下： 1．对传统的纹理定位方法进行了分析，在此基础上提出了怀疑区域的概念，从图像中提取出若干可能的位置去进行下一步的处理，从而将原先一步到位的过程转变为一个由粗及细的分析过程，降低了早期的误判率： 2．将构造性的覆盖算法应用于牌照的定位，在对这些区域进行分析后提取出各自的特征并进行学习，构造出相应的神经网络，用来排除假的干扰区域，同时结合图像的颜色信息来对前期的定位结果进行修正，最终得到正确的车牌位置： 3．在字符的识别过程中，在使用较为简单的图像处理技术的基础上，仍然使用构造性的覆盖算法，依靠神经网络强大的分类能力来对车牌字符进行识别： 4．探讨了在样本数量较少的情况下，通过在字符识别过程中引入附加样本的技术，利用先验知识对原先的样本集进行扩充，从而提高网络的性能。 从实验的结果来看，本文所使用的方法能够较为准确的从车牌图像中定位出牌照并加以识别，系统的性能良好，具有较强的实用价值。