近年来,随着社会经济的发展,我国机动车保持快速增长趋势,智能交通系统成为了交通运输领域的前沿研究课题。而车牌自动识别技术(License Plate Recognition, LPR)可以实现车辆身份的自动登记及验证,是实现机动车智能管理的一项重要技术。车牌识别系统涉及到数字图像处理、计算机视觉、人工智能和模式识别等多学科的综合应用技术。一般可分成图像采集、车牌定位、字符分割、字符识别等模块。其中,车牌定位与车牌字符识别是这一系统的关键技术,为了避免早熟与容易陷入局部最优的现象,本文研究出一种高效的车牌定位方法,提高定位精确度；为了更准确的识别车牌,提高车牌识别的鲁棒性,本文利用改进的BP神经网络算法对车牌字符进行识别。本文采用了图像灰度化与全局动态二值化方法来对车牌图像进行预处理,然后根据车牌区域固有的特征,提出将遗传算法与粒子群算法相结合,以判决条件评估构造的适应度函数是否正确定位在车牌区域内,并在粒子群算法中引入遗传算法的选择算子操作,改进车牌定位算法,实现较高的车牌定位准确度。对定位后的车牌图像二值化处理,然后对可能倾斜的车牌进行矫正,先利用投影法检测出倾斜角度,再利用坐标变换对图像旋转校正。其次通过灰度跳变规律确定出车牌的上下边界,通过垂直投影方法确定出车牌的左右边界为分割字符作准备。然后运用先验知识与垂直投影的方法实现字符分割。最后研究最常用的两种车牌字符识别方法——模板匹配法和BP神经网络法,并在对BP神经网络车牌字符识别方法改进的基础上,设计了识别率较高的算法,并就两种方法的实验结果进行了比较。通过Matlab平台对改进后的定位算法进行仿真,结果表明,与遗传算法与粒子群算法的定位结果相比,改进的算法很好地避免车灯、保险杆等伪车牌区域的干扰,实现车牌的准确定位。并将实际拍摄的400幅车牌图像作为实验数据,实现了准确定位的车牌达到98%,改进的BP神经网络算法的识别率也明显高于传统的模板匹配法和BP神经网络法,模板匹配法的鲁棒性较差,其识别率只有91.33%,BP神经网络易陷入局部最小值,其识别率为95.01%,通过对BP神经网络算法的改进,识别率达到97.37%,车牌字符识别得到有效的提高,取得良好的效果。