车牌识别技术是智能交通系统中的核心部分，是计算机视觉、图像处理和模式识别等技术的一个典型的结合应用。目前，车牌识别系统都是固定在某一位置对移动的车辆进行检测的，基于此，本文对车载视频流的车牌识别系统进行了全面的研究，该系统的可移动式的特点，使得车牌识别技术更灵活的应用于各种场合。　　针对本系统的可移动式特点，本文先对获取的模糊视频帧进行复原处理，再进行车牌定位和识别。　　（1）模糊复原部分。在对退化后的图像进行频谱分析的基础上，采用了Radon变换求取车辆运动模糊图像的模糊角度，并利用图像的一阶微分自相关函数求取图像的运动模糊长度。由于图像复原会导致图像出现振铃现象，而有些清晰图像不需要复原，因此在估计出运动模糊长度的基础上，本文先对图像进行模糊判定再决定是否需要对图像复原。通过实验对比，在图像复原部分采用了效果较好的维纳滤波的方法。　　（2）车牌定位部分。在研究经典车牌定位算法的基础上，给出了融合HSV颜色空间和纹理特征的多车牌定位算法。该算法将基于HSV颜色空间提取出的车牌候选区域和基于边缘检测提取出的车牌候选区域进行了信息融合，明显的突出了车牌区域的信息，在进行区域连通处理的基础上，结合车牌特征的先验知识搜索图像中的车牌区域并剔除伪车牌区域，从而定位出图像中的车牌信息。该算法弥补了颜色空间定位和纹理特征定位的不足，在摄像机静止状态和移动状态下都能精确的定位出车牌区域。　　（3）字符分割部分。本文给出了结合车牌特征的连通区域分割的算法。该算法在车牌图像倾斜校正的基础上，对二值的车牌图像进行边框切割和区域连通处理，并结合车牌字符固有的特征对字符进行准确的切割。　　（4）字符识别部分。本文给出改进的卷积神经网络算法对车牌字符进行识别，针对汉字和数字字母结构的差别，设计了两个卷积神经网络对两者进行分开识别，从而提高了车牌字符的识别精确度。