随着世界各国汽车数量的迅速增加，车牌识别技术已经成为智能交通系统中的核心技术。车牌识别技术在提高交通管理效率、节省人力成本等应用上发挥着至关重要的作用。现有的车牌识别技术在识别速度和准确率等方面存在一定的不足。本文对车牌定位、车牌分割等图像处理方法进行了探讨，在此基础上提出了基于改进极限学习机（ELM，Extreme Learning Machine）算法的车牌字符识别方法，实现了快速、准确识别车牌字符的目的。在车牌定位方面，本文对基于车牌灰度变换特征的投影拟合定位方法进行了研究。此方法首先利用图像灰度特征及形态学处理将车牌图像二值化，然后基于投影拟合及区域分析提取候选车牌区域，最后结合先验知识去除非车牌区域，得到目标车牌区域。在车牌分割方面，本文主要对垂直投影法进行了研究。首先在车牌准确定位的基础上，根据颜色跳变法去除二值化车牌图像的上下边框。然后对车牌图像进行垂直投影，并针对字符和投影特征提出了自适应的分割算法，最终能有效去除车牌的左右边框并实现单个字符图像的分割。在车牌字符识别的方法上，本文对极限学习机算法的特点进行深入的研究，并将其参数的产生过程进行优化，提出了改进的极限学习机算法，结合该算法进行字符识别。根据车牌字符特征，本文研究了两种字符特征提取方法，并针对每个字符的排列顺序，设计了汉字、字母、字母混合数字三个基于改进ELM的字符分类器，根据车牌字符的排列特征对相应的字符进行有效识别。其中在字母数字混合分类器中，本文还设计了拒识功能，将易混淆字符挑选出来进行人工识别，可提高车牌识别效率，进一步减少误识率。通过与BP神经网络车牌识别方法的对比实验结果表明，本文提出的方法可在保证高识别率的情况下，更加快速地将字符识别出来。最后，本文在MATLAB环境下对车牌识别系统进行模块化设计，并开发了GUI图形可视化界面，实现一个具有完整识别功能的系统。改进ELM车牌识别系统的GUI界面可直观、流畅地显示车牌图像处理过程及最终字符识别效果。