在社会经济高速发展的今天,各种车辆的数目随之急剧增加。智能交通系统(ITS)已经成为各国用来解决日益突出的公路交通问题、进行城市交通管理的主要手段。而车牌照自动识别(LPR)则是智能交通系统中极为重要的一部分。其中,字符的正确识别率和识别速度则是衡量车牌识别系统性能的主要指标。鉴于车牌字符识别的技术的重要性,许多学者都已投身该领域,并做了一些富有成效的工作。但许多传统的基于图像处理的字符识别技术,如模板匹配方法,人工神经网络方法等,都表现出一些局限性:需要大量的字符样本,推广能力较差,正确识别率偏低,难以真正投入到实际工程应用中去。统计学习理论(SLT)是建立在小样本学习基础上的,它为研究有限样本情况下的统计模式识别建立了一个较好的理论框架,并推出了一种新的模式识别方法──支持向量机(SVM)。SVM能较好地克服诸如局部最优解、维数灾难等困扰传统模式识别方法的难题,且在小样本条件下体现出很好的推广性能。本文着重研究了支持向量机在车牌字符识别中的应用。首先介绍了统计学习理论和支持向量机的一些基本知识,较深入的探讨了支持向量机的学习算法,然后研究了字符特征的表示方法,提出了字符的小波网格特征和投影特征,最后编程完成了一个基于SVMLight算法的车牌字符识别软件。该软件在小样本情况下获得了95%以上的正确识别率。