在高速路的各个出入口安装车牌识别设备，车辆驶入时识别牌照将入口资料存入收费系统，车辆到达出口时再次识别其牌照并根据牌照信息调用入口资料，结合出入口资料实现收费管理。首先将运动中的汽车牌照从复杂背景中提取出来，通过车牌提取、图像预处理、特征提取、车牌字符识别等技术，识别车辆牌号，输出车牌号码。这种应用可以实现自动计费，避免了应收款的流失。高速公路已开始实施联网收费，随着联网范围的扩大，不同车型的收费差额也越来越高。司机利用现有收费系统的漏洞通过中途换卡进行逃费的问题将越来越突出，利用车牌识别技术是解决此类问题的根本方法。

选择匹配作为结果。1981年后在美国制造的每辆轿车、卡车或拖车都带有VIN，并且此号码是固定的。基于人工神经网络的算法有两种：一种是先对字符进行特征提取，然后用所获得特征来训练神经网络分配器；另一种方法是直接把图像输入网络，由网络自动实现特征提取直至识别出结果。实际应用中，车牌识别系统的识别率还与牌照质量和拍摄质量密切相关。牌照质量会受到各种因素的影响，如生锈、污损、油漆剥落、字体褪色、牌照被遮挡、牌照倾斜、高亮反光、多牌照、等等；

随着产品算法与业者的技术提升，整合早就不是重要的话题，现阶段需要注意的重点反而是“稳定度”。基于人工神经网络的算法有两种：一种是先对字符进行特征提取，然后用所获得特征来训练神经网络分配器。稳定度的定义是：在一个既定的车速范围内，不会让必须达到的准确度，因外在环境影响而产生过大的误差。例如一个车牌系统在白天有90%以上的准确度，到了傍晚就降到80%，夜间又降到70%，这种不稳定的系统，比起全天候平均拥有70%准确度的车牌辨识系统更难于整合。

几乎每家都宣称拥有高辨识率，但为了避免事后因为双方对产品认知有差异，而将运作不良的责任互相推托，用户在采购车牌辨识系统时，不妨要求实地测试，而且测试时间超过两个礼拜，比较能判断辨识结果是否“言过其实”。在美国和其他很多国家和地区制造的汽车上，车辆识别号（VIN）都是其标识序列号。因为多变的环境，两个礼拜应该可以对于场域可能影响辨识率的情形，大约掌握了八成，如果只是测一天、甚至几个小时，是无法了解的。