车牌识别算法是智能交通系统的一个重要研究课题,在过去几十年里的许多应用中扮演着越来越重要的角色。然而,目前最新的车牌识别算法仍不能在不同的场景下,包括晴天、夜间、以及具有不同颜色的复杂背景中同时表现优秀。因此,对车牌图像进行质量评估并预分级,是提升车牌识别算法在不同场景下适应性的有效方式。本文的主要内容包括以下四个方面:(1)从图像质量评估的角度出发,对车牌图像提取了常用于描述无参照图像质量的特征,然后对车牌图像的质量进行估计并分级。最后,分析常用无参照图像质量评估算法无法很好的适用于车牌图像的原因。(2)从图像复原的角度出发,通过基于正则化的图像盲去模糊算法对车牌图像进行模糊核估计,对所得的模糊核参数进行分级。最后,分析图像盲去模糊算法无法很好的适用于车牌图像的原因。(3)在稀疏表示和重建误差的基础上,提出了车牌图像质量分类算法,可以有效地将车牌图像分为一般质量和低质量两大类。通过制作两类车牌图像的过完备字典,并将测试车牌图像由两个字典重建的误差提取为特征向量,再由支持向量机进行分类,可以准确的得到测试车牌图像的质量类别。(4)使用卷积神经网络的方法实现了车牌图像的质量分级模型。首先构建了具有三层卷积层与两层全连接层的卷积神经网络模型对车牌图像进行质量的分级,取得了较高的分级准确率。随后通过更改卷积层层数以及改变学习率,对网络模型进行调整优化,使得卷积神经网络对车牌图像质量分级的准确率达到最优。