随着我国机动车以及驾驶人数量的增多,公路上车流量、车辆载荷不断增加,造成了严重的城市交通拥堵问题,那么解决城市拥堵问题就显得刻不容缓了,这使得快速发展智能交通系统成为大势所趋,智能交通系统包括:先进的交通管理系统、电子收费系统、紧急救援系统等等。而支撑智能交通系统最重要的一个技术--便是车牌识别系统,车牌识别系统(Vehicle License Plate Recognition,LPR)属于电脑视频图像识别车辆照片的一种方式。是计算机视频图像识别技术在车辆牌照识别中的一种应用,其主要功能是在不同的复杂背景下识别出车牌信息。传统的车牌识别系统的设计流程是图像处理、车牌定位、字符分割与字符识别。为了强化测量结果的精度,几乎在每个模块都使用了2至5种算法。为了简化程序,本文提出了一种新的车牌识别系统的设计流程,车牌粗定位、图像处理、车牌精定位、字符分割与字符识别,减少了程序冗余,使其变得更加简洁并能提高车牌定位的精度。本系统是要利用AdaBoost树形分类器的学习方法,配合回归算法,并使用了卷积神经网络(Convolutional Neural Networks,简称CNN)识别字符。把汽车车牌的字符进行分割,然后逐一识别。这样做不但改善了传统的车牌识别方法中,在各种不良的环境中识别车牌的问题,还提高了车牌识别的精确度。在获取车辆图像的过程中,由于摄像机和车牌之间角度的变化,经常使所拍摄的车辆图像发生倾斜,导致车牌粗定位中,检测到车牌的矩形区域不完全,从而影响之后车牌字符分割和识别的准确率,文章使用了一种基于矩形区域对角线的区域识别方法,默认最大的倾斜角度为45°,该算法能够在倾斜程度大的时候也能有效的识别出车牌的矩形区域,提高车牌定位精度。最后本系统用50张测试图片分别演示了各个模块的测试结果和最后运行的结果以及各个参数的输出值,通过测试,最后得到的结果还是符合预期结果的,精确度在90%以上。