智能交通系统已成为当前交通管理发展的重要方向，而车牌识别系统作为智能交通系统的一部分，起着举足轻重的作用，它的广泛应用将有助于我国交通管理自动化的进程。　　 国内外已有很多学者研究了车牌识别系统，主要是针对静态或相对运动较慢的车牌图像，识别车牌的效果良好。但是对于运动造成的模糊车牌图像识别的效果欠佳。本论文对运动模糊车牌图像恢复、车牌定位、字符分割、字符识别等关键技术进行了研究、分析与改进，以达到提高运动模糊车牌字符识别率的目的。　　 为了精确的定位运动模糊的车牌，首先通过图像灰度化、滤波、边缘检测等图像预处理来消除了图像的噪声，提高了图像的质量；接着通过改进了运动模糊图像的退化模型，结合逆滤波的特点对模糊的车牌图像作恢复处理；通过以上处理之后，用最大梯度差法缩小车牌图像范围，再利用矩形匹配法粗定位车牌，最后搜索车牌的边缘信息，最终完成牌照的定位。实验证明，定位准确率较高。　　 为了有效、准确地分割车牌字符，通过扫描目标像素的若干相邻像素后按照一定的准则来确定目标像素与相邻像素之间的连通关系，以此来克服同类算法中像素重复标记和归并标记所需大量运算的缺陷，最后能得到正确的连通标记划分，并能提取出各个分离的连通区域。实验证明，该算法能够准确分割字符，具有较好的稳健性。　　 最后是车牌字符识别，在基于13特征提取方法的基础上，引入了两个具有方向性的特征。采用三个BP神经网络进行车牌字符识别：第一个神经网络识别字母；第二个神经网络识别字母、数字；第三个神经网络识别数字。实验证明，虽然多采用了两个特征，但提高了字符的识别率。