随着社会经济的不断发展,机动车数量也日益增加,由此,智能交通系统产生了,而它的核心又离不开车牌识别技术。但是在智能监控视频中,车辆往往是快速移动的,使得捕获到的图像模糊不清,进而给后期工作,如目标的分析和识别等,增加一定的难度。本文对车牌识别相关算法进行了学习和研究,重点对运动模糊情况下车牌图像的复原以及复原后字符识别进行了深入的研究,主要研究内容如下:（1）针对车牌图像去模糊问题,提出一种基于随机抽样一致性（RANSAC）的复原方法。首先,在倒频谱域对模糊图像实施Canny边缘检测,使用RANSAC方法来估计模糊方向;然后,通过模糊图像倒频谱域的零点分量来估计模糊长度;最后,结合Richardson-Lucy（RL）算法和L₀正则化先验各自的优点,对模糊车牌图像进行复原。（2）在车牌定位方面,先对复原后的图像进行灰度增强、中值滤波等预处理操作;接着利用车牌本身及字符丰富的边缘信息,对预处理后的复原图像使用Sobel边缘检测;再进行腐蚀、膨胀等形态学操作,通过结构元素对图像中对应的形状进行度量、提取;最后,采用车牌的大小特征和形状特征,筛选轮廓区域,确定车牌区域。（3）在车牌校正及字符分割方面,分析了车牌倾斜的原因及倾斜类型,并介绍分析几种常见的倾斜校正方法,采用基于Radon变换和旋转投影法的校正方法;同时介绍了一些常用字符分割方法,对这些方法的优缺点进行了分析,最终使用基于投影和字符特征的方法进行字符的分割。（4）在字符识别方面,为了提高车牌的识别率,本文提出了基于组合特征和BP神经网络的识别方法。首先,考虑到数字、字母的易混淆特性,使用LBP提取局部纹理特征,再根据车牌汉字结构特点,改进LBP算子,使用改进的LBP以及水平垂直投影提取特征,用提取的特征训练BP网络,最终用于识别车牌字符。