随着我国公路交通事业的发展,提高公路交通配套设施的自动化程度及其效率日益成为关注的焦点。基于图像的车辆自动化识别系统能有效提高整个公路运输的机动性、安全性和生产效率,具有广阔的发展前景和巨大的经济价值。　　针对这方面的迫切需求,本文结合对前人己有技术经验的研究和分析,从车牌定位、车牌分割和字符识别三方面着手,详细阐述了基于车牌图像的车辆自动化识别系统关键技术部分的理论方法的优劣,并提出了一种基于改进BP神经网络对车牌进行识别的方法。　　主要涉及了以下一些工作:首先是图像预处理,该阶段主要是将原始的车辆图像进行灰度增强、直方图均衡化、二值化;在车牌定位及识别阶段,本文根据车牌的特征,对多特征、多神经元网络集成识别方法进行了研究,提出了基于边缘检测与改进BP神经网络及垂直投影相结合的车牌定位、字符识别方法。结果表明,该方法定位准确度较单一边缘检测定位法要高,能较大程度地提高车牌定位率。　　利用BP神经网络对车牌进行识别有着许多的优势,但仍存在许多的问题。标准BP算法实质上是把一组样本输入输出问题转化为一个非线性优化问题,并通过负梯度下降算法利用迭代运算求解权值问题的一种学习方法。但是标准BP算法尚存在一些缺陷:易形成局部极小而得不到整体最优,迭代次数多,收敛速度慢。针对标准BP算法的缺点,本文提出了对BP网络的激励函数进行了改进,并用matlab7对改进后的BP网络性能进行仿真。为提高BP网络的运行效率,先将图像进行滤波和降维处理,再运用独立成分分析提取图像的独立成分,将原来较大的图像数据压缩成为一组彼此独立的输入变量;然后,采用改造的三层BP神经网络对输入变量进行训练。这样将独立成分分析的空间局部特征提取功能和BP网络的自适应功能有机地结合起来,经实验取得了良好的识别效果,增强了系统的鲁棒性。