智能交通系统(Intelligent Transportation System, ITS)是道路交通管理体系发展的必然趋势,车牌识别技术是ITS的关键技术之一。经验模式分解(Empirical Mode Decomposition, EMD)方法是一种不依懒于基函数的数据驱动的自适应分解方法,它完全从信号自身的尺度特征出发将一个复杂信号分解为若干个固有模态函数(Intrinsic Mode Function, IMF)和剩余项的和。本文将EMD方法运用到车牌识别,这既为发展已经比较成熟的车牌识别技术注入了新的血液,又进一步扩展了EMD的应用范围,具有一定的理论意义和实际价值。本文主要工作如下:(1)在简要介绍传统非平稳信号分析法的基础上,详细讨论了经验模式分解原理及算法。(2)针对现有车牌定位方法在复杂背景和不同光照条件下很难快速准确地定位汽车牌照位置问题,提出了一种基于纹理分析和投影法的车牌定位改进方法。(3)在车牌字符分割中由于泥尘、边框、铆钉和车牌倾斜等因素影响,字符分割往往不准确甚至错误,针对这些问题提出了一种基于投影特征和先验知识的车牌字符分割改进方法。(4)分割后的字符因受噪声干扰并非标准字符,根据噪声通常为高频信息和IMF自身的特点,对字符的积分投影波进行EMD分解并将分解后的高频信息作为去噪特征向量,最后对向量进行Gabor滤波去噪后重构字符。(5)字符的层次轮廓较好地反映了字符的复杂空间结构特征,利用EMD的时频局部化分析能力,对字符层次轮廓序列进行EMD分解并将得到的IMF作为字符的特征向量,最后采用最小距离分类器实现字符识别。最后,给出了车牌识别原型系统并将车牌识别技术应用到高速公路超载检测,有利于提高超载管理智能化水平。