| 中文摘要 | 第2-3页 |
| 英文摘要 | 第3页 |
| 第1章 绪论 | 第6-13页 |
| 1．1 引言 | 第6-7页 |
| 1．2 脱机手写字符识别技术 | 第7-10页 |
| 1．2．1 特征提取 | 第8-9页 |
| 1．2．2 字符分类器设计 | 第9-10页 |
| 1．3 论文的主要工作及结构安排 | 第10-13页 |
| 第2章 字符预处理 | 第13-20页 |
| 2．1 二值字符图像细化 | 第13-15页 |
| 2．1．1 8邻域串行单方向细化 | 第14-15页 |
| 2．1．2 GA细化算法 | 第15页 |
| 2．2 二值字符图像平滑 | 第15-16页 |
| 2．3 二值图像归一化 | 第16-20页 |
| 2．3．1 基于字符外轮廓的归一化 | 第16-18页 |
| 2．3．2 基于字符质心的归一化 | 第18-20页 |
| 第3章 特征提取 | 第20-34页 |
| 3．1 引言 | 第20页 |
| 3．2 LLF特征 | 第20-22页 |
| 3．3 基于字符链码编码的结构特征 | 第22-25页 |
| 3．4 字符四方向特征 | 第25-26页 |
| 3．5 基于中心投影，小波变换和分形的字符特征提取 | 第26-34页 |
| 3．5．1 基于CPT的降维方法 | 第27-28页 |
| 3．5．2 多分辨率分析和小波分解 | 第28-30页 |
| 3．5．3 对一维信号计算分维数 | 第30-31页 |
| 3．5．4 字符特征提取测试结果 | 第31-34页 |
| 第4章 采用GAT技术的多级混合神经网络字符识别 | 第34-44页 |
| 4．1 引言 | 第34页 |
| 4．2 多级混合神经网络字符识别系统模型 | 第34-35页 |
| 4．3 字符特征提取 | 第35-36页 |
| 4．4 LVQ进行字符粗分 | 第36-37页 |
| 4．5 利用BP网络进行字符细分类 | 第37页 |
| 4．6 GAT（GLOBAL AFFINE TRANSFORMATION）变形 | 第37-43页 |
| 4．6．1 GAT变形原理 | 第38-41页 |
| 4．6．2 GAT变换测试与结果分析 | 第41-43页 |
| 4．7 字符识别结果讨论 | 第43-44页 |
| 第5章 基于非线性PCA综合神经网络的手写体字符识别 | 第44-56页 |
| 5．1 引言 | 第44-45页 |
| 5．2 局部非线性PCA综合神经网络模型 | 第45-47页 |
| 5．3 非线性PCA神经网络算法 | 第47-50页 |
| 5．4 用于类内分组的“NEURAL GAS”聚类算法 | 第50-51页 |
| 5．5 局部非线性PCA综合神经网络模型误差准则及学习算法 | 第51-52页 |
| 5．6 局部非线性PCA综合神经网络模型用于手写体字符识别 | 第52-56页 |
| 结束语 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间所发表的学术论文 | 第61-62页 |
| 致谢 | 第62页 |
