车牌识别(LPR)系统是智能交通系统的重要组成部分之一。它在违章车辆监控、高速路口自动收费、交通控制与诱导、车辆管理以及安全防盗等领域有广泛应用。本文针对目前车牌识别过程中存在的识别率低、算法复杂等问题,利用组合特征和链码等方法对车牌字符识别的关键问题进行了研究,主要内容包括：(1)车牌预处理和字符分割。本文采用基于车牌彩色信息的车牌定位方法；对车牌图像进行图像增强、倾斜校正、二值化等处理,去除车牌边框后,利用基于车牌区域的先验知识和像素点统计方法实现单个字符的分割。(2)车牌字符特征提取。在提取特征前对车牌字符进行归一化处理,本文提出了采用组合特征作为车牌字符特征,即将网格特征、投影特征和结构特征进行组合,并通过实验确定了三者组合的最优权重系数,在该组合状态下系统的识别率最高。(3)基于组合特征的字符识别。本文设计了适用于车牌字符的3层BP神经网络。将最优权重系数下的组合特征作为神经网络的输入,采用PSO算法优化网络结构,提高网络收敛速度。实验证明,将组合特征和PSO-BP网络结合用于字符识别,具有较高的识别率和较快的收敛速度。(4)利用边界链码方法进行字符识别。采用基于形态学细化的边界链码方法,提取字符的链码特征。针对车牌字符链码的差异性,设计了多级分类器。实验证明,链码特征能有效地反映字符的形态特征,特征提取方法简单且存储量小。(5)本文认为,组合特征识别方法具有较强的抗干扰性和容错性,而链码特征受字符大小、倾斜程度等影响较大。总体上第一种方法优于第二种。