车牌自动识别技术是现代智能交通的重要组成部分,随着城市的高速发展,机动车数量日益增长,机动车牌照自动识别技术(以下称车牌识别)越来越受到重视。车牌识别具有丰富的先验知识,成为模式识别研究领域的重要基础,但是在复杂背景及不同天气光照的条件下,精确识别出车牌字符仍是研究的热点问题。本文针对该技术从车牌图像预处理、车牌定位分割及字符识别等几个方面展开讨论。根据传统算法的优缺点,通过分析实际情况改进得到本文的算法,并给出实验结果。首先,对车牌图像进行预处理,主要包括图像增强、二值化和倾斜矫正。提出一种基于局域双峰自适应选取的直方图均衡化方法,以增强图像对比度,该方法的思想是：先选取阈值将背景与目标图像分割,再对其进行加权叠加从而得到增强后的图像。鉴于车牌图像噪声主要为脉冲噪声,提出了一种自适应中值滤波的去噪方法。对增强后的车牌图像,根据其灰度直方图的分布规律得出阈值进行二值化。对于倾斜的车牌图像,利用Hough变换法算出倾斜角度θ,再针对不同的倾斜类型对车牌图像进行旋转矫正。其次,从理论上对我国车牌种类进行整理分类,采用了一种结合字符边缘和彩色特征的车牌定位分割算法,选用Prewitt算子对图像进行垂直边缘检测,扫描并统计边缘点数及边缘点密度以定位车牌候选区,采用模糊C-均值聚类法进一步确定车牌区域。根据分割出的车牌区域,采用一种垂直投影结合先验知识的车牌字符分割法,完成单个字符的分割。最后,设计神经网络分类器对汉字,字母,数字进行训练和识别。通过对字符特征的分析,确定输入层,隐含层,输出层单元数目。实验结果表明该网络收敛速度较快,同时不易陷入局部最小值,在减少了迭代次数的同时,降低了网络规模并提高了车牌字符识别的效率。实验结果表明：通过使用图像处理技术和神经网络相结合的方法,对实际拍摄的车牌图像进行识别,本文方法识别的正确率在95%以上。