在如今的交通管理体系中车牌识别系统越来越突显其重要性。然而,随着交通环境的不断复杂化,现有的车牌识别系统渐渐不能满足人们的要求。尤其是针对夜晚超速车辆的抓拍,成像设备采集到的车辆图像清晰度很差,同时车速过快导致图像模糊,大大降低了车牌识别的准确率。因此,有必要开展针对夜晚超速违章车辆的车牌识别的研究。夜晚超速车辆图像退化的成因主要为低照度清晰度差、颜色信息丢失和运动模糊三种类型,对这三类退化图像复原的问题开展了以下研究:1)针对低照度环境下车牌颜色信息丢失以及含大量噪声的问题,提出了改进的自适应小波阈值增强算法。首先创新性的加入了Retinex理论进行颜色增强,然后利用小波阈值函数进行图像恢复,针对软硬阈值函数存在的缺陷,提出了一种改进的阈值函数,实现了各小波尺度的图像进行自适应性增强。实验结果表明,改进的增强算法对低照度情况下车辆图像有很好的增强效果。2)针对超速车辆会出现拖影模糊的问题,提出了改进的迭代盲反卷积复原算法,改善了传统去模糊算法恢复过程中会放大噪声、使恢复结果误差增大的问题。改进算法不需有模糊参数的先验知识,并且结合了噪声信号的最小二乘估计,同时恢复模糊图像的点扩撒函数和模糊图像本身,实验结果表明,改进算法的处理结果具有更高的信噪比,去模糊效果更好。3)颜色信息丢失的问题,针对传统车牌定位算法主要依据颜色信息的局限性,提出了改进的Ada Boost机器学习的车牌定位算法。传统只依靠机器算法进行车牌定位准确率较低,因此加入了基于图像边缘信息的车牌粗定位,然后利用车牌图像Haar-like特征训练Ada Boost分类器,通过多次迭代更新样本权值,得到弱分类器,将每次获得的弱分类器联合为强分类器来定位车牌区域。实验结果表明,结合边缘信息的粗定位的引入大大提高了算法效率和准确率,并且利用Ada Boost分类器能准确的将车牌区域从车辆图像中提取出来。利用改进算法进行预处理及车牌定位后,采用简单、高效的模板匹配法进行字符识别。实验证明,相较于普通预处理和定位过程,结合了小波增强、盲反卷积去噪和Ada Boost算法的车牌定位过程的车牌识别算法使夜晚超速车辆的车牌号码识别率大大提高。