智能交通系统是目前世界交通领域的前沿研究课题,车辆牌照识别系统作为智能交通系统的重要组成部分,在现代交通管理中起着重要的作用。可以说车牌字符识别是模式识别中一个非常重要和活跃的研究领域,其无论是在应用背景还是市场需求上,都有着广阔的发展空间。神经网络模式识别方法是模式识别领域中一个重要的研究方向,它具有较强的自组织自学习能力、容错性和鲁棒性等特点,广泛应用于各个领域。本文的出发点正是将车牌识别技术和神经网络两者有机的结合起来,并利用集成技术,致力于基于神经网络集成的车牌字符识别的应用研究。目的是通过神经网络集成方法,解决车牌字符的识别问题,从而提高识别系统的整体识别能力,得到较高的识别精度。主要工作有:1.对车牌图像进行灰度化、平滑处理、边缘检测等预处理操作,以及对车牌图像的定位和字符分割的方法进行了对比分析和研究,并采用不同的特征提取方法对归一化后的车牌字符中的汉字字符、字母字符和数字字符提取特征向量,为字符识别阶段提供可靠的基础。2.为提高RBF神经网络的学习能力,对传统RBF网络进行两方面的改进,一方面是将高斯函数和逆多二次函数进行线性结合构成新的径向基函数,并通过动态调节函数的系数,使组合后的基函数具有更强的逼近能力和泛化能力;另一方面是改进了RBF网络中的减聚类算法。为使网络具有更强的学习能力,提出在传统减聚类算法的基础上能够对聚类中心进行修正的快速减聚类算法思想,使改进后的算法不仅缩减了由于更新密度指标所带来的复杂的计算量,而且能够对聚类中心进行修正,从而减小聚类中心对聚类结果的影响偏差,通过对非线性函数进行逼近实验,验证改进后的减聚类算法的可行性和优越性,并将改进后的RBF网络应用于车牌字符识别之中。另外,对新兴的量子神经网络进行理论研究和分析,将具有多层激励函数的量子神经网络应用于对车牌字符的识别当中,以此获得较高精度的识别率。此外,本文通过使用BP神经网络,同样实现对车牌字符的识别。3.对神经网络集成技术进行研究和分析,为有效提高整体系统的可靠性以及系统对车牌图像的正确识别率,提出一种基于BP神经网络、RBF神经网络和量子神经网络的集成方案,该方案是将传统的串并联集成方式进行改进,创新性地设计了具有两级并行投票机制的神经网络集成系统。在Matlab7.0环境下对采集到的车牌图像进行测试识别实验,证明本文提出的神经网络集成机制的有效性和可操作性。