| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-8页 |
| 1 引言 | 第8-11页 |
| 1．1 研究手写体数字识别的目的及意义 | 第8页 |
| 1．2 手写数字识别的难点 | 第8-9页 |
| 1．3 国内外字符识别研究的历史及现状 | 第9页 |
| 1．4 本文研究的目的及内容 | 第9-11页 |
| 1．4．1 本文研究的目的 | 第9-10页 |
| 1．4．2 本文的主要内容 | 第10-11页 |
| 2 手写体数字识别系统的体系结构 | 第11-13页 |
| 2．1 手写体数字识别系统的软件结构 | 第11页 |
| 2．2 手写数字识别系统软硬件构成 | 第11-12页 |
| 2．3 手写数字识别系统流程图 | 第12-13页 |
| 3 预处理模块 | 第13-22页 |
| 3．1 手写数字图像增强 | 第13-14页 |
| 3．2 图像的平滑滤波 | 第14页 |
| 3．3 图形二值化 | 第14-16页 |
| 3．4 图像归一化 | 第16-17页 |
| 3．5 二值化图像的平滑 | 第17-18页 |
| 3．6 图像细化 | 第18-22页 |
| 3．6．1 最邻近点细化法 | 第18-19页 |
| 3．6．2 模版匹配法1 | 第19-20页 |
| 3．6．3 模版匹配法2 | 第20-22页 |
| 4 抽取手写体数字的特征向量 | 第22-30页 |
| 4．1 宏观特征的抽取 | 第22-23页 |
| 4．2 微观结构特征的提取 | 第23-30页 |
| 4．2．1 微观结构特征的抽取方法 | 第23-25页 |
| 4．2．2 去除伪特征 | 第25-28页 |
| 4．2．3 特征点定位 | 第28页 |
| 4．2．4 微观结构特征向量的组成 | 第28-30页 |
| 5 BP神经网络的原理及其在手写体数字识别中的应用 | 第30-40页 |
| 5．1 人工神经网络的原理 | 第30页 |
| 5．2 BP人工神经网络的算法及其改进 | 第30-35页 |
| 5．2．1 网络的拓扑结构 | 第30-31页 |
| 5．2．2 三层BP神经网络的算法 | 第31-32页 |
| 5．2．3 N-H-J型BP神经网络用于手写数字识别的算法 | 第32-34页 |
| 5．2．4 神经网络数字识别过程 | 第34-35页 |
| 5．3 BP网络结构的改进和参数的优化 | 第35-36页 |
| 5．3．1 输入层单元与隐层单元数目的选择 | 第35页 |
| 5．3．2 动态修改η的值 | 第35页 |
| 5．3．3 避免假饱和现象 | 第35-36页 |
| 5．4 实验结果分析 | 第36-40页 |
| 6 组合分类器用于手写体数字的识别 | 第40-44页 |
| 6．1 组合分类器的结构 | 第40页 |
| 6．2 组合识别器中各级分类器的工作原理 | 第40-41页 |
| 6．2．1 最小距离分类器原理 | 第40-41页 |
| 6．2．2 第二级分类器的结构和工作原理 | 第41页 |
| 6．3 多种组合算法的原理 | 第41-42页 |
| 6．4 实验分析及实验结果比较 | 第42-44页 |
| 7 总结和展望 | 第44-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-47页 |