车牌识别系统是现代化智能交通系统组成部分中最为关键的一环,目前已经被广泛的应用到各种非限制户外场景,具有极大的应用价值和研究价值。当前的车牌识别系统在特定交通固定卡口场所和高速公路收费站等光照条件较好的场景下具有较高的识别率,但是仍然无法充分解决有雾天气、背景干扰、污水干扰、车牌倾斜等复杂背景下的车牌识别问题。如何在复杂背景下取得车牌识别的高准确率和高效率识别的平衡,是近年来众多车牌识别领域的学者研究的热点,复杂背景下的车牌识别问题仍然存在许多可待挖掘和完善的空间。为了提高复杂背景下的车牌识别的适应性,本文基于不同的识别算法展开研究,主要研究工作如下:首先在车牌图像去雾预处理和复原方面,针对空气存在的微粒形成的雾天天气车牌图像,对比分析了三种去雾滤波算法,选择在YCrCb空间下基于三边滤波的去雾优化算法作为主要算法,防止空气中的雾化现象对车牌定位阶段造成影响。其次,在车牌图像定位阶段,提出一种基于改进Canny算子和数学形态学相结合的车牌定位算法。对Canny边缘算子中的滤波器使用混合滤波器进行了替换,同时采用基于基于线性增强边缘处理和最大类间方差法获取最佳阈值,结合形态学处理更适用于做车牌定位。然后,在车牌字符的分割阶段,对两种经典模糊聚类算法进行分析,针对算法中采用的度量只有在样本数据的属性互相没有关联的情况下才适用,引入协方差因子进行算法改进,实现车牌字符的准确分割,实验测试结果表明车牌分割效果得到改善。最后,车牌识别阶段采用一种联合HOG特征和SVM算法相结合的车牌识别算法对车牌图像进行识别。通过车牌数据集的测试结果可以得出,本文设计的车牌识别系统能够满足复杂背景下车牌高识别成功率的要求。