传统的神经网络算法的网络参数都为实数,实数神经网络在对“多状态”模式进行识别时很难兼顾识别时间和正确率这两项重要的指标。复数神经元可以拥有多种状态,对处理“多状态”模式有着其独特的优势。在交通路牌识别算法中,神经网络识别算法是常用的方法之一。由于交通路牌含有两种信息:“图形”信息和“颜色”信息(红、黄、蓝、白、黑),用灰度图表示的交通路牌含有足够的这两方面的信息,而一张灰度图可以看作是一种“多状态”模式,因此适合于利用复数神经网络对其进行识别。本文研究复数神经网络及其在路牌识别中的应用。本文的主要工作集中在以下三个方面:首先,本文分析了复数神经网络的基本结构,说明了复S函数的缺陷,对常用的复数神经元函数进行了研究,给出了它们的基本特性和适用场合;并对单节点实数感知器和复数感知器进行了分析对比;分别结合三层复数前馈神经网络和复数反馈网络的结构,分析了复数BP算法和复数Hebbian学习规则。其次,本文根据交通路牌的特点设计了面向交通路牌识别的复数神经网络系统及其学习算法。采用复数阶跃函数构建了神经元模型,建立了复数Hopfield神经网络结构,并且确定了网络中神经元的个数;借助复数Hebbian学习规则和复数内积法给出了网络权值的确定方法;借用复数网络能量函数的定义,说明了复数识别网络的收敛性;在前期的图像数据处理部分,分别使用离散二维傅里叶变换和欧拉公式,给出了将灰度图像数据转化为复数网络所需要的相位信息的方法,实现了网络对路牌的记忆存储;在后期的图像还原部分利用相位逆变换的方法,实现了相位图到灰度图转化。最后,本文对设计的系统进行了仿真研究。使用Labview软件实现了复数阶跃函数模块、相位-灰度转换模块、车牌读取模块以及识别算法模块的编写,实现了路牌识别的Labview仿真,并就仿真中出现的“噪声”现象给出了合理的解释,接着在Labview环境下就实数网络和复数网络的识别效果作出了分析和对比。说明了复数神经网络在路牌识别应用中的优势。