小波分析由于具有良好的时频分析特性，已经成为信号处理和图像分析系统中的有效工具；神经网络因其较强的自组织学习、容错性、鲁棒性以及非线性处理等能力，广泛应用于模式识别中。不变矩特征的抗噪性和相对于目标几何变换的数值稳定性，使其被广泛使用在各种目标识别系统中。车牌自动识别是机器视觉与模式识别技术在智能交通领域的重要应用，进行基于小波分析的矩特征和神经网络在车牌字符识别中的应用研究，具有一定的理论意义和实践价值。本论文主要研究了矩特征和神经网络分别在车牌字符识别的特征提取和字符分类两方面的应用。主要完成了以下几方面的工作：1．在广泛查阅有关小波分析的文献资料基础上，总结了小波变换的良好时频分析特性，概述了小波分析在图像处理中的应用情况；2．介绍了传统的几种不变矩的概念，并对它们进行了系统的分析与比较，给出了它们的优缺点，并分析了Hu矩、Hu组合矩以及Zernike矩的不变性；3．针对传统的矩特征只能反映图像的全局特征，而不能刻画图像局部特征的不足，本文采用了一种新的矩不变量特征—小波矩，通过实验验证了它的不变性，比较了小波矩与全局矩的抗噪声能力；4．在字符分类方面，提取了字符的矩特征，采用小波神经网络作为车牌字符识别系统的分类器，并描述了相应的算法和程序设计步骤，通过实验说明了小波BP网络优于传统的BP网络。