近年来,随着全国人民生活水平的不断提高,汽车数量的不断增加,与此同时政府也加快了建设基础设施的步伐。目前立交桥、停车场、高速公路越来越多,但是却缺乏合理有效的车辆管理措施。为了规划交通方面的管理,提高交通设施的使用效率,相继出现了一些相应的智能交通系统。车牌自动识别系统则是智能交通系统的重要组成部分,目前车牌自动识别技术已经得到了广泛的应用,但大多还是在车辆图像质量较好的基础上。在实际应用中,采集到的图像会因为车辆的高速运动而产生模糊的情况,因此自动识别出高速运动状态下的车牌具有实际意义和应用价值。本文主要讨论了高速运动模糊车辆图像的恢复、车牌定位、倾斜校正、字符分割、字符识别等方法,总结讨论了前人的研究内容,改进了已有的相关算法,还提出了一些新的算法。主要内容和创新点如下：(1)在运动模糊车辆图像恢复方面,首先介绍了运动模糊图像的退化模型,提出了一种基于演化算法的运动车辆图像的恢复,根据运动模糊图像的退化模型来确定适应值函数,然后进行选择、交叉、变异等演化操作。实验结果显示,与盲恢复方法相比,演化算法能提高运动模糊图像的复原能力。(2)在车牌定位方面,本文提出了一种基于混沌演化算法的车牌定位方法。该方法采用混沌原理生成初始种群,在演化过程中,对选择出的个体进行混沌优化,根据混沌演化算法的全局寻优性来实现车牌的定位。实验结果表明,该方法有较好的定位效果,适应能力较强。(3)在字符分割方面,本文提出了一种基于演化算法的二值化算法,采用Otsu方法来确定适应值函数。实验表明,演化算法能快速准确的得到二值化阈值,从而很好地实现车牌图像的二值化。(4)在字符识别方面,提出了一种基于演化算法和BP神经网络的车牌字符识别方法。首先由演化算法在整个取值范围内寻优,将范围缩小之后,即得到较好的初始权值和偏置量之后,再利用BP算法进行精确寻优。通过实验表明,结合两种方法能得到较高的字符识别概率。