近年来,我国机动车“套牌”现象愈演愈烈,其最主要的原因是现有的技术手段无法有效地识别套牌车辆。本文所研究的套牌车自主识别系统是通过提取车辆图像中车牌和车型的特征参数,结合相关的特征识别算法自动识别出车辆的相关信息,再将这些信息与数据库已存信息作对比,若信息不符,则该车辆存在套牌的嫌疑。但是,随着犯罪手段的日趋多样化,目前道路上很多的套牌车具有与合法车辆相同的车牌和车型,本文为叙述方便,将这类套牌车记为同型、同色、同号(Same Model、Same Color、Same License, SMCL)套牌车。由于此类套牌车无法利用图像处理技术加以识别,基于此考虑,本文提出了一种结合最短路径信息的模糊神经网络算法,该算法可以有效地识别同型、同色、同号套牌车。车辆特征的识别分为车牌特征识别和车型特征识别两部分。对于车牌识别,本文提出了一种基于色彩分割和车牌纹理特征相结合的车牌快速定位算法,准确而快速的定位车牌在源图像中的位置,再利用改进的模板匹配算法识别车牌中的字符。对于车型识别,本文提出了一种基于模糊模式识别理论的车型识别方法,该方法可为三部分,第一部分利用Hough变换提取车辆的特征点,利用特征点之间绝对距离的比值作为车辆的特征值；第二部分采用模糊c-均值分类方法处理23个汽车品牌,75个车型的特征数据,建立以隶属度为元素的矩阵作为样本空间；第三部分引入了基于模糊隶属函数贴近度的分类算法,并根据车辆特征值的可信度,提出了一种加权贴近度识别算法,具有很好的识别效果。同型、同色、同号套牌车的识别是重点和难点。本文根据同一辆车不可能在“同一时间”经过两个不同的地点的原理来判断待识别车辆是否存在套牌的可能。算法大致流程是：首先,利用改进的蚁群算法求解两个监控点之间的最短距离。针对蚁群算法可能产生的收敛速度慢和易陷入局部最优解的缺陷,本文提出了一种通过计算聚合度来判断蚁群所属状态的方法,从而来增加或减少信息素对于蚁群的吸引力。同时为了防止某些路径的信息量过大,对所有路径的信息量设定最大信息量和最小信息量,以此来限定信息量的范围。本文提出了一种改进的椭圆限制搜索区域算法,缩小了搜索区域,避免了蚁群算法的一些不必要的遍历。最后将本文提出的改进算法与同类的算法相比较,识别精度较高,识别速度也较同类算法有很大的提高。最短路径是识别同型、同色、同号套牌车的一个重要特征,通过计算得出的时间可信度作为定量因素,把时间可信度和网络的定性因素—交通通畅度一并输入到T-S模糊神经网络中,利用T-S模糊神经网络的模糊控制规则,来决策待识别车辆所属的预警等级。通过实验仿真,本文所提出的模糊神经网络的误差在允许的范围之内,可用于套牌车预警等级的决策,且为套牌车识别提供了一个新思路。