| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-11页 |
| ·课题来源、研究目的意义 | 第8页 |
| ·课题来源 | 第8页 |
| ·研究目的意义 | 第8页 |
| ·数学表达式识别介绍 | 第8-10页 |
| ·数学表达式识别分类 | 第8-9页 |
| ·国内外研究状况 | 第9页 |
| ·数学表达式识别的过程 | 第9-10页 |
| ·本文的创新与改进 | 第10页 |
| ·本文的内容安排 | 第10-11页 |
| 第二章 数学表达式图像预处理 | 第11-13页 |
| ·灰度化 | 第11页 |
| ·邻域平均法平滑 | 第11页 |
| ·给定阈值二值化 | 第11页 |
| ·标记法去噪 | 第11-12页 |
| ·种子填充思想分割数学表达式 | 第12页 |
| ·大小归一化 | 第12页 |
| ·改进的并序交互模板匹配细化 | 第12页 |
| ·本章小结 | 第12-13页 |
| 第三章 数学符号统计特征和结构特征的提取 | 第13-24页 |
| ·基本概念 | 第13-14页 |
| ·数学相似符号的区分举例 | 第14页 |
| ·数学符号的特征提取 | 第14-19页 |
| ·细化后提取的特征 | 第15-16页 |
| ·归一化后提取的特征 | 第16页 |
| ·细化归一化后提取的特征 | 第16-19页 |
| ·K-L正交变换 | 第19-21页 |
| ·K-L正交变换的基本理论 | 第19-20页 |
| ·K-L正交变换的两大优点 | 第20页 |
| ·K-L正交变换的步骤 | 第20-21页 |
| ·实验结果 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第四章 多类支持向量机的数学符号分类识别 | 第24-42页 |
| ·机器学习的发展情况 | 第24页 |
| ·统计学习理论的核心内容 | 第24-27页 |
| ·VC维概念 | 第25页 |
| ·统计学习方法推广性的界 | 第25-26页 |
| ·结构风险最小化原理 | 第26-27页 |
| ·支持向量机的相关理论 | 第27-33页 |
| ·最优分类面 | 第27-29页 |
| ·广义最优分类面 | 第29-30页 |
| ·支持向量机 | 第30-31页 |
| ·常用的核函数 | 第31-32页 |
| ·支持向量机的训练算法 | 第32-33页 |
| ·多类支持向量机 | 第33-36页 |
| ·一类对余类法（one-against-rest/one-against-all） | 第34-36页 |
| ·成对分类法(one-against-one) | 第36页 |
| ·实验及结果比较 | 第36-41页 |
| ·本章小结 | 第41-42页 |
| 第五章 基于基准线的数学表达式结构分析 | 第42-48页 |
| ·多结构的符号合并 | 第42-43页 |
| ·基准线方法的结构分析 | 第43-45页 |
| ·概念介绍 | 第43-44页 |
| ·域值的确定 | 第44-45页 |
| ·结构分析算法描述 | 第45页 |
| ·实验结果比较 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第六章 LaTeX介绍及本系统运行情况 | 第48-57页 |
| ·LaTeX介绍 | 第48-49页 |
| ·TeX与LaTeX的关系 | 第48页 |
| ·TeX语言的优点和不足 | 第48-49页 |
| ·TeX与Word的比较 | 第49页 |
| ·本系统运行情况 | 第49-56页 |
| ·本章小结 | 第56-57页 |
| 第七章 总结与展望 | 第57-59页 |
| ·总结 | 第57-58页 |
| ·展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录1：本系统可识别的数学符号集 | 第63-64页 |
| 附录2：攻读硕士期间发表的论文 | 第64-65页 |
| 致谢 | 第65-66页 |