在车牌识别系统中,由于拍摄的自然条件和成像系统自身的局限性等因素的影响,使得车牌图像在一定程度上发生降质,从而影响车牌系统的识别率。本文针对车牌图像降质这一问题,提出采用序列图像的超分辨率重建技术来提高车牌图像的分辨率。序列图像的超分辨率重建,就是利用视序列图像之间的互补信息,恢复图像在采集和传输过程中丢失的细节信息,从而提高视频图像的分辨率。超分辨率图像重建-般由两部分组成：图像配准和图像重建。本文结合车牌图像的特点,采用基于SIFT的特征配准方法进行图像配准。SIFT算法对图像进行配准时,要在尺度空间上提取大量的特征点并进行计算,在配准的过程中常常会出现误匹配,通常都是采用欧氏距离的方法来消除误匹配。通过实验发现,这种方法在对图像序列进行配准时并不能很好的消除误匹配点,针对这一问题,本文在此基础上引入了RANSAC算法,这种方法消除特征点误匹配的能力比较强,而且还具有较强的鲁棒性。加入RANSAC算法后能够很好的消除误匹配点,获得更好的配准效果。本文在图像重建部分采用的是凸集投影的方法,这种方法有个突出的特点就是先验知识的包含能力特别强,根据图像所包含的先验知识,建立一系列相应的约束凸集,约束了重建后的图像的平滑和数据可靠等特性。通过对几种常用的算法重建效果的比较发现,POCS算法可以很好的保持图像边缘和细节信息,满足车牌图像重建的要求。但是该算法的收敛稳定性和降噪能力都不好,导致重建后的图像边缘出现锯齿状的振铃现象。本文在标准的POCS算法中加入了正则化的方法来提高降噪能力,引入梯度权值,利用梯度下降法经过合理的迭代次数,把相对误差降到最小,通过大量的实验证明加入正则化后的POCS算法可以有效的减少了边缘振铃现象,提高了算法重建的效果。最后,从整体上介绍了车牌识别的各个组成模块,实现了一个简单的车牌识别系统,本文采用BP神经网络的方法对车牌字符进行识别,把重建前后的图像分别输入该系统中进行识别,实验证明采用超分辨率重建后的车牌图像,可以在一定程度上提高车牌识别系统的准确率。