智能交通管理系统(ITS)已经逐渐在公共交通管理、安全保障等问题中发挥重要作用。车牌字符识别技术是智能交通系统中一项重要的核心技术,因此对该技术的研究具有重要意义。　　 支撑向量机(SVM)是车牌字符识别主要研究方法之一,SVM最初是针对二类分类问题提出的,因此如何很好地将其应用到多分类问题上是本文研究的重要内容。本文主要对SVM多分类关键技术进行了研究,并将其在车牌字符识别方面进行了应用。　　 本文主要研究了以下三方面的内容:　　 1)给出了一种基于环形区域的像素密度特征提取方法,并将字符的环形区域像素密度特征、局部灰度特征、粗外围特征结合在一起,输入SVM多类分类器中进行车牌字符识别。环形区域像素密度特征在空间上反映了字符像素在字符图像的内部区域和外围区域上的分布情况。在车牌字符识别实验中,多特征结合的特征提取方法优于单一特征提取方法。　　 2)给出了一种改进的纠错输出编码多类分类方法和一种四进制编码多类分类方法。纠错输出编码是一种基于SVM的多类分类方法,该方法在类别数量不是2n(n是大于零的整数)时,存在不可分区域问题,针对该问题,通过引入关键二类分类器的方法,减少了识别器的不可分区域。针对纠错输出编码方法在编码长度过长时推广能力差的问题,给出了一种四进制编码多类分类方法,缩短了编码长度,提高了识别器的推广能力。　　 3)给出了一种基于四进制编码多类分类器、纠错输出编码多类分类器和最小距离分类器的多分类器融合的字符识别算法。该算法采用的是并行多分类器融合方式,在进行字符识别时,将字符的环形区域像素密度特征、局部灰度特征结合后输入四进制编码多类分类器,将粗外围特征、全像素特征分别输入纠错输出编码多类分类器和最小距离分类器,最后采用改进的投票法对三个单一分类器的识别结果进行综合决策,得到最终识别结果。在车牌字符识别实验中,上述三种分类器融合方法优于单一分类器。　　 本文研究了SVM多分类关键技术、车牌字符识别中的特征提取及字符识别技术,并将SVM多分类关键技术的研究成果及多分类器融合理论应用到了车牌字符识别问题上,最后取得了良好的实验效果。