| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-14页 |
| 1 绪论 | 第14-28页 |
| 1．1 引言 | 第14-15页 |
| 1．2 信息融合的原理和结构 | 第15-17页 |
| 1．2．1 信息融合原理 | 第15-16页 |
| 1．2．2 信息融合的分类 | 第16-17页 |
| 1．2．3 信息融合的方法 | 第17页 |
| 1．3 信息融合与模式识别 | 第17-19页 |
| 1．4 手写体汉字识别研究的前景和挑战 | 第19-24页 |
| 1．4．1 手写体汉字识别的意义 | 第19-20页 |
| 1．4．2 手写体汉字识别的原理过程及方法 | 第20-24页 |
| 1．5 样本库确定和选择 | 第24-25页 |
| 1．6 论文研究目标及内容安排 | 第25-28页 |
| 1．6．1 论文研究目标 | 第25-26页 |
| 1．6．2 论文内容安排 | 第26-28页 |
| 2 手写体汉字的归一化处理 | 第28-45页 |
| 2．1 手写体汉字预处理概述 | 第28-30页 |
| 2．1．1二 值化处理 | 第28-29页 |
| 2．1．2 平滑处理 | 第29页 |
| 2．1．3 细化 | 第29-30页 |
| 2．2 归一化处理方法 | 第30-38页 |
| 2．2．1 归一化处理方法概述 | 第30-32页 |
| 2．2．2 线性归一化方法 | 第32-33页 |
| 2．2．3 非线性归一化方法 | 第33-38页 |
| 2．3 基于二维整体密度均衡的非线性归一化方法 | 第38-42页 |
| 2．4 实验系统及结果 | 第42-44页 |
| 2．5 小结 | 第44-45页 |
| 3 手写体汉字特征提取及性能评估 | 第45-65页 |
| 3．1 引言 | 第45-46页 |
| 3．2 手写体汉字特点 | 第46-47页 |
| 3．3 手写体汉字特征概述 | 第47-48页 |
| 3．4 统计特征 | 第48-63页 |
| 3．4．1 网格划分 | 第49-50页 |
| 3．4．2 笔划小波分解 | 第50-54页 |
| 3．4．3 改进方向线素特征 | 第54-55页 |
| 3．4．4 笔划分区矩特征 | 第55-58页 |
| 3．4．5 方向贡献度特征 | 第58-59页 |
| 3．4．6 周边笔划方向特征及扩展周边笔划方向特征 | 第59-63页 |
| 3．5 特征性能评价和测试 | 第63-64页 |
| 3．6 小结 | 第64-65页 |
| 4 基于自适应特征融合及模块神经网络的手写汉字识别 | 第65-95页 |
| 4．1 引言 | 第65-66页 |
| 4．2 基于广义主分量分析的特征融合方法 | 第66-73页 |
| 4．2．1 特征融合 | 第66-67页 |
| 4．2．2 主分量分析 | 第67-69页 |
| 4．2．3 广义主分量分析 | 第69-71页 |
| 4．2．4 特征归一化处理 | 第71页 |
| 4．2．5 融合特征获得及实验结果 | 第71-73页 |
| 4．3 特征选择原理及常见方法 | 第73-80页 |
| 4．3．1 最优搜索算法 | 第75-76页 |
| 4．3．2 次优搜索法 | 第76-77页 |
| 4．3．3 Tabu搜索算法 | 第77-78页 |
| 4．3．4 模拟退火算法 | 第78-80页 |
| 4．4 模块化神经网络设计 | 第80-85页 |
| 4．4．1 神经网络分类器设计 | 第80页 |
| 4．4．2 组合神经网络 | 第80-83页 |
| 4．4．3 组合神经网络的设计方法 | 第83页 |
| 4．4．4 模块化神经网络研究概述 | 第83-85页 |
| 4．5 自适应特征选择及模块网络设计 | 第85-92页 |
| 4．5．1 自适应特征模块分类器原理 | 第85-87页 |
| 4．5．2 有限集手写体汉字识别的自适应特征模块化结构 | 第87-89页 |
| 4．5．3 遗传算法（GA） | 第89-91页 |
| 4．5．4 GA优化特征选择及模块网络结构 | 第91-92页 |
| 4．6 试验结果 | 第92-94页 |
| 4．7 小结 | 第94-95页 |
| 5 多级神经网络结构模式分类 | 第95-118页 |
| 5．1 引言 | 第95-96页 |
| 5．2 神经网络集成理论及实现方法 | 第96-99页 |
| 5．3 几种用于字符识别的集成神经网络模型 | 第99-104页 |
| 5．3．1 HOSOM | 第99-101页 |
| 5．3．2 分层局部学习结构 | 第101-102页 |
| 5．3．3 ELNET-Ⅱ及CombNET-Ⅱ | 第102-103页 |
| 5．3．4 多级神经网络结构的手写汉字识别模型 | 第103-104页 |
| 5．4 主分量分析神经网络 | 第104-107页 |
| 5．5 竞争神经网络和LVQ学习向量量化 | 第107-111页 |
| 5．5．1 竞争神经网络及学习算法 | 第107-108页 |
| 5．5．2 向量量化及学习向量量化 | 第108-110页 |
| 5．5．3 LVQ的改进和变形 | 第110-111页 |
| 5．6 广义学习向量量化 | 第111-115页 |
| 5．6．1 GLVQ理论基础 | 第111-112页 |
| 5．6．2 距离定义 | 第112-114页 |
| 5．6．3 基于改进投影距离的GLVQ分类算法 | 第114-115页 |
| 5．7 实验及结果 | 第115-117页 |
| 5．7．1 样本库实验 | 第115-116页 |
| 5．7．2 税务报表实验 | 第116-117页 |
| 5．8 小结 | 第117-118页 |
| 6 神经网络分类器融合方法研究 | 第118-139页 |
| 6．1 引言 | 第118-119页 |
| 6．2 多神经网络分类器融合 | 第119-124页 |
| 6．2．1 多分类器融合原理 | 第119-122页 |
| 6．2．2 多神经网络分类器融合 | 第122-124页 |
| 6．3 分类器融合方法研究 | 第124-132页 |
| 6．3．1 投票法 | 第124-125页 |
| 6．3．2 贝叶斯方法 | 第125-128页 |
| 6．3．3 行为知识空间（BKS）方法 | 第128页 |
| 6．3．4 交集法和并集法 | 第128-129页 |
| 6．3．5 最高序号法 | 第129-130页 |
| 6．3．6 Borda数法 | 第130页 |
| 6．3．7 逻辑回归法 | 第130-131页 |
| 6．3．8 平均法 | 第131页 |
| 6．3．9 加权平均法 | 第131-132页 |
| 6．4 证据理论融合方法研究 | 第132-136页 |
| 6．4．1 Dempster-Shafer方法基础 | 第132-133页 |
| 6．4．2 多分类器D-S方法融合 | 第133-136页 |
| 6．5 实验结果及评价 | 第136-138页 |
| 6．6 小结 | 第138-139页 |
| 7 全文工作总结及今后工作展望 | 第139-141页 |
| 致谢 | 第141-142页 |
| 参考文献 | 第142-158页 |
| 作者在攻读博士学位期间发表的论文目录 | 第158-159页 |
