近年来,随着智能算法的研究逐步取得进展,计算机通信设备,软件领域的不断革新,科技的创新带来图像处理领域的革新,因此在纷繁复杂的世界,数字图像处理技术显得更加重要。当今世界人们对生活水平要求也越来越高,伴随着市场上的智能产品也日新月异。而本文的研究结合前人的基础,对车牌识别系统中各个环节进行了研究,具体如下:(1)图像的预处理:分析了传统的研究方法,本文结合全局图像增强算法的特点,由于其噪声存在过增强的问题,提出了分块图像增强算法。该算法只对车牌相似区域进行局部增强,且引入的背景噪声相比其它方法较小,特别适合在昏暗的外景条件下,进行低对比度车辆图像的处理,效果非常理想。(2)车牌的定位:因为在复杂背景条件下,彩色图像在车牌定位中准确率较低,根据车牌的颜色特征以及中国车牌的具体特点,本文提出基于视觉注意机制模型对车牌进行定位。首先对车牌区域过色彩的竞争机制得到图像的颜色特征(红一绿特征图和蓝一黄特征图),结合各个方向滤波特征图,集成了检测对象的多个低层特性,从而形成一幅显著图。再结合车牌的各个信息特征,选择车牌图像区域。该方法具有准确率高以及容错性好的特点。(3)车牌图像二值化:在二值化之前首先对车牌图像进行光照补偿,经过被光照补偿过的车牌图像,光照对车牌的影响被大大的降低了,该方法表明二值化效率较高。(4)字符的分割:由于定位后的车牌区域受噪声影响较大,车牌的倾斜程度对字符的定位也会产生一定的影响,但这种过程也不可避免,本文提出了对车牌区域字符进行矫正的方法,该方法可以很好的解决字符的失真,断裂等问题,矫正后的字符分割效果好。(5)字符的识别:参照中国车牌字符的特殊性,字符的识别是车牌识别系统中关键的一步,本文中的分类技术采用特征提取与深度学习相结合的方法。把粗网格特征作为字符选取与识别的重要特征,通过深度学习网络的训练,把容易混淆的字符输入到网络中进行训练,特别是复杂结构的汉字,针对局部细微的特征差异;与标准样本的对照之上,本方法能够提高字符的识别效率。