作为智能交通管理系统的主要支撑技术之一,车牌识别具有相当的研究和应用价值。不同于传统的车牌识别系统,本文将基于内容的图像查询(Content Based Image Retrieval,CBIR)技术应用于车牌识别系统,旨在解决如何快速、准确地识别复杂环境下的单车牌和多车牌问题。本文的主要工作由以下三部分构成：。第一,针对如何提高复杂环境下车牌识别的准确率,本文深入研究了CBIR的相关技术。并着重研究了其中的特征提取这一重要环节。由于该环节是CBIR技术的技术基础,对图像检索的效率与准确率的影响最大。同时,车牌识别系统中,关键技术也是车牌的特征提取。因此,本文针对车牌识别系统中的车牌特征提取,在所有的图像特征当中,选取对复杂环境具有较高的鲁棒性的局部不变性特征SIFT,设计了一种基于SIFT特征的车牌定位方法,并改进车牌匹配的特征数据库,用汉字与阿拉伯数字的组合模版扩充了原仅为纯汉字模版的特征库,消除一些伪汉字车牌并提高定位准确率。对采集的106张质量较差的单车牌图片进行定位,Matlab仿真实验,定位准确率达到96.23%。第二,针对多车牌识别问题,在SIFT特征基础上提出一种基于K-means聚类的多车牌定位方法用于车牌区域的粗定位,后续SIFT的多车牌精确的定位。Matlab上的仿真实验,对采集的221张多车牌图像中672个有效车牌进行定位,定准率达到97.92%,符合预期效果。第三,针对如何提高识别速度,首先在SIFT特征匹配的相似性度量中采用棋盘距离与街区距离的线性组合来代替传统的欧氏距离,降低了计算量,从而提高了匹配速度；其后在匹配策略中运用了基于K-D树的改进算法BBF算法,进一步提高了匹配效率。最后在车牌局部特征提取的时,应用多种局部不变的特征提取算子进行了鲁棒性与速度等方面的综合性能评估,依据重复性测量的方法,研判各个局部算子在车牌识别应用中的性能优劣。最后,总结本文的创新点如下：(1)实现了CBIR技术与车牌识别技术的结合。本文用SIFT算法对车牌的局部特征进行查询,实现了车牌的精准定位,将基于内容的查询优势应用于车牌识别中,提高了车牌的定准率；(2)实现了多车牌检索。本文用K-Means算法将匹配特征点对聚类,找出点密集区域的中心点,进而进行车牌候选区域粗定位,从而实现多车牌的检索；(3)对多种局部算子进行性能评估。本文对多种至少具备尺度不变性和旋转不变性的局部算子进行鲁棒性与运行速度的综合评估,并运用重复性测量的方法,通过实验验证它们在车牌检索中的性能优劣。