| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11页 |
| 1.3 脱机手写汉字识别研究现状 | 第11-14页 |
| 1.3.1 汉字识别研究的发展历程 | 第12-13页 |
| 1.3.2 脱机手写汉字识别的研究难点 | 第13-14页 |
| 1.3.3 深度学习理论在图像分类领域的研究现状 | 第14页 |
| 1.4 本文工作及内容安排 | 第14-17页 |
| 1.4.1 论文主要研究的内容 | 第14-15页 |
| 1.4.2 本文各章内容安排 | 第15-17页 |
| 第二章 深度学习理论与卷积神经网络 | 第17-31页 |
| 2.1 引言 | 第17-18页 |
| 2.2 多层感知机与BP神经网络 | 第18-21页 |
| 2.3 深信度网络（DBNs） | 第21-23页 |
| 2.4 卷积神经网络（CNNs） | 第23-30页 |
| 2.4.1 卷积神经网络的结构 | 第23-25页 |
| 2.4.2 LeNet‐5 网络结构分析 | 第25-26页 |
| 2.4.3 卷积神经网络的前向传播 | 第26-27页 |
| 2.4.4 卷积神经网络的反向传播和参数修正 | 第27-30页 |
| 2.4.5 卷积神经网络的特点 | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于CNNs的手写汉字识别方法 | 第31-50页 |
| 3.1 引言 | 第31页 |
| 3.2 脱机手写汉字识别基本流程 | 第31-32页 |
| 3.3 汉字图像样本变换 | 第32-35页 |
| 3.3.1 汉字图像对比度增强 | 第32页 |
| 3.3.2 归一化处理 | 第32-34页 |
| 3.3.3 仿射变换 | 第34-35页 |
| 3.4 汉字图像的八方向梯度特征提取 | 第35-36页 |
| 3.5 基于CNNs的分类识别模型的优化 | 第36-40页 |
| 3.5.1 网络结构优化 | 第37-40页 |
| 3.5.2 基于迁移学习的有监督预训练 | 第40页 |
| 3.6 实验结果与分析 | 第40-49页 |
| 3.6.1 汉字数据库与实验平台 | 第40-42页 |
| 3.6.2 汉字图像样本变换方法对识别性能的影响 | 第42页 |
| 3.6.3 八方向梯度特征对识别性能的影响 | 第42-43页 |
| 3.6.4 模型规模与输入图像分辨率对识别性能的影响 | 第43-46页 |
| 3.6.5 有监督预训练与fine‐tuning方法研究 | 第46-47页 |
| 3.6.6 Dropout方法研究 | 第47-48页 |
| 3.6.7 综合性能对比 | 第48-49页 |
| 3.7 本章小结 | 第49-50页 |
| 第四章 基于CNNs的旋转无关手写汉字识别方法 | 第50-60页 |
| 4.1 引言 | 第50页 |
| 4.2 旋转无关脱机手写汉字系统 | 第50-51页 |
| 4.3 旋转不变特征 | 第51-55页 |
| 4.3.1 旋转不变的HOG特征 | 第51-54页 |
| 4.3.2 基于Radon和傅里叶变换的旋转不变特征 | 第54-55页 |
| 4.4 旋转无关脱机手写汉字识别系统实验与分析 | 第55-59页 |
| 4.4.1 数据库提取与样本扩展 | 第55-57页 |
| 4.4.2 实验与结果分析 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 1 本文工作总结 | 第60-61页 |
| 2 对未来工作的展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 答辩委员会对论文的评定意见 | 第69页 |
