人工神经网络是通过对人脑生物神经机理进行简化,抽象和模拟之后建立起来的一种计算模型,属于机器学习的重要研究领域。人工神经网络集成方法则通过训练多个弱学习器来构成最终的强学习器,可以更好地提高模型的学习泛化能力,具有广阔的应用前景。人工神经网络可以应用于字符识别、人脸识别等领域。本文以车牌识别(License Plate Recognition, LPR)为研究背景,探讨基于神经网络的字符识别算法的应用研究。LPR是智能交通系统(Intelligent Transportation Systems, ITS)的重要研究内容,主要有车牌定位、字符分割、特征提取及字符识别等重要组成部分。车牌定位和特征提取是字符识别的先决条件,为此本文研究重点主要集中在车牌定位和字符分类器的效率改善两部分。车牌识别研究的主要难点在于车牌照图像质量较低,车牌区域比例小,待识别字符易扭曲变形,干扰噪声大等。对此,本文采用基于变尺寸窗口扫描,结合小波变换、边缘检测与线扫描方法实现多尺寸、多类型车牌的定位,克服了光照、色泽、尺寸及位置的影响,效果良好；对于倾斜的牌照,本文采用基于二值图像垂直差分的Radon变换进行倾斜车牌的校正；对于车牌字符分割,提出垂直投影与先验知识结合的变阈值分割方法,快速简单地分割出了车牌字符；在字符识别模块,分别采用改进型BP神经网络和基于权重裁剪的神经网络集成分类器进行识别,并提出采用动态自适应权重裁剪方法来提高AdaBoost的构建效率。本文提出采用动态自适应权重裁剪方法来改善AdaBoost集成分类器在大量训练数据时的时间性能,同时与传统的AdaBoost,静态权重裁剪AdaBoost和动态权重裁剪AdaBoost进行分析对比。实验结果表明,基于动态自适应权重裁剪的AdaBoost集成分类器进一步提高了学习效率,同时时间性能得到较好改善,值得进一步的研究。