车牌识别技术是智能交通系统的重要组成部分,是图像处理、模式识别与计算机视觉等技术在智能交通管理中的重要应用。在实际中,由于诸多干扰因素和复杂环境的影响,使得此技术的应用受到很大的限制。鉴于提升小波优良的时频分析性能以及支持向量机灵活强大的分类能力,本文在对车牌识别各个环节的实现难点进行深入分析的基础上,研究了基于提升小波与支持向量机理论的车牌识别技术。主要工作如下：1、车牌定位：传统定位算法通常对车牌颜色、光照、复杂背景等因素非常敏感,往往不能同时保证鲁棒性和准确率,本文提出一种以提升小波变换为核心,结合滑动模板算法、投影算法、聚类分析、数学形态学运算等多种技术融合的车牌定位算法,不但有效地提高了复杂条件下的定位准确率和速度,而且极大限度地降低了算法对颜色、边框等在实际中易受环境影响的车牌信息的依赖,增强了算法的鲁棒性。2、字符分割：充分考虑到车牌字符粘连、断裂、噪声等干扰因素以及车牌字符的分布特征及字符本身的结构特征,本文在对传统模板匹配算法改进的基础上,综合运用投影算法、连通域算法、模板匹配算法等来实现字符的分割处理,有效地解决了单一的传统分割算法的准确率低、稳定性差等缺点。3、字符识别：本文算法以支持向量机为基础,采用多特征多分类器融合的分类策略来实现车牌字符的识别,其中提出了粗像素字符特征提取方案和基于最优小波包基的字符特征提取方案,并对传统支持向量机二叉决策树算法进行了改进和优化,实验结果表明,算法效率得到明显的提高。