经网络的车牌字符识别进行了深入研究。
③ 基于SVM的字符识别方法
北京理工大学的高珊[21]采用SVM方法识别车牌字符，根据车牌字符特征将子分类器分为4组以提高识别率，该校的王晓光[22]提出一种基于SVM的车牌汉字识别方法，实验结果显示，在小样本的情况下，SVM的识别率优于BP神经网络，并避免神经网络的局部极值问题。
④ 其他方法
荷兰的Hans A. Hegt[23] 提出一套车牌定位和字符识别的方法，其中字符识别使用Hotelling变换提取特征向量，然后结合距离比分类器进行识别。韩国的Mi-Ae Ko在2004年的文章[24]里提出一种基于特征的字符识别方法，提取字符的仿射不变参数和仿射不变特征作为分类器的参数。台湾的Shen-Zheng Wang[25]针对字符旋转问题，提出一种实用的字符识别方法。以色列的Vladimir Shapiro[26]提出一种适用于多国车牌的车牌字符识别方法，该方法能够排除字符断裂、倾斜变形对识别的影响，具有较好的鲁棒性。
最近几年的研究方向除了新算法的引入还有拍摄技术研究、脱离PC机的软硬件设计以及LPR的推广应用。日本的Takashi Naito[27]对拍摄角度进行深入的研究，设计了一个双CCD拍摄系统以解决光照问题。荆州师范学院的刘庆祥[28]提出一套实用的LPR系统图像获取方案，对摄像机的位置标定、摄像头曝光量、车速车距的限定等问题进行了详细的分析和讨论。Giovanni Garibotto[29]提出LPR在测速系统中应用。意大利的Rodolfo Zunino[30]提出一种基于矢量量化（vector quantization， VQ）的车牌定位和图像编码算法，由于VQ编码能够提供与图像内容相关的信息，此信息可作为寻找车牌区域的重要线索，因此使用VQ技术可以同时进行图像压缩和车牌定位。四川大学的黄山[31]提出一套适合中国车牌的LPR系统，其特点是①建立一个行驶车辆图像获取的摄像机自适应控制系统，以解决全天候拍摄问题；②将LPR系统应用于车辆测速系统。台湾的Shyang-Lih Chang[32]提出一种适用于复杂背景的LPR系统，主要介绍了定位和字符识别两大部分，定位部分采用模糊算法对HSI颜色模型下的彩色边缘图片进行分析推理然后提取车牌，字符识别部分则采用神经网络算法。浙江大学的任俊[33]对LPR系统软硬件设计进行了深入研究，软件方面采用支持向量机实现车牌定位和字符识别，硬件方面采用DSP设计了一个实时分任务嵌入式LPR系统。