车牌自动识别技术在智能交通系统中处于核心地位,是智能交通系统自动运行的决定因素之一。在车牌自动识别技术中,基于图像的识别技术是一种比较先进的技术,也是目前车牌自动识别技术研究的主要方向。然而,由于基于图像的识别技术涉及众多学科,缺乏统一理论的指导,图像的干扰因素太多,算法的实时性与准确性之间矛盾难以克服,所以,基于图像的识别技术也是最难的一种车牌识别技术。本文对基于图像的车牌识别技术的研究现状及研究成果进行了深入、全面、系统的分析研究。在此基础上,通过实验得出了对车辆图像进行对比度增强的前提条件,从众多二值化算法中找出了一种既有较好二值化效果,又能消除一定背景干扰的算法(Otsu算法);针对后续的车牌定位,灵活地应用了Sobel算法;对边缘点密度法、基于跳变点的车牌定位算法进行了改进;指出了Hough变换用于车牌倾斜校正的局限性,并提出了一种简单实用的校正方法;提出了一种基于第3字符位置的字符分割算法;采用13特征作为字母数字的分类特征,并将13特征扩充为22特征作为汉字的分类特征;对目前具有代表性的各种神经网络做了全面的对比分析,然后确定用BP网络进行字符识别,并设计了两个BP网络分别对汉字、字母和数字进行识别;对用于BP神经网络训练的一种算法(即确定扰动算法)进行了深入的研究,指出了它的不足,最后,采用带动量项的变步长BP算法进行神经网络的训练,并根据网络误差动态取舍动量项。另外,本文还对识别过程中的其它一些处理环节进行了细微的改进。在进行理论研究的同时,本文对整个识别过程中的所有必须环节在MSVisual Studio IDE中用C++语言进行了实现,编写主体及测试代码共计12621行,实验得出了各环节的技术指标数据。实验结果表明,改进后的算法具有较满意的效果;提出的倾斜校正方法具有一定的抗干扰能力,对有无边框的车牌都能进行校正;提出的字符分割算法在一定程度上能够满足要求;设计的BP网络结构合理,开销少,训练算法有效,能够满足车牌字符识别的要求。目前虽然已经有很多实用的商业化车牌识别系统投入运行,但大多针对简单场景,对现场环境条件有很多的要求。本文的许多算法具有一定的实用价值,进行适当的修改即可用于实际的车牌识别系统。