| 1 绪论 | 第1-22页 |
| 1．1 光学字符识别研究的对象及意义 | 第14-15页 |
| 1．2 光学字符识别的发展历史 | 第15-16页 |
| 1．3 自适应字符识别技术及现状 | 第16-19页 |
| 1．3．1 自适应字符识别 | 第16-18页 |
| 1．3．2 自适应字符识别技术 | 第18-19页 |
| 1．4 本文的研究的主要内容 | 第19-21页 |
| 1．5 本文的内容安排 | 第21-22页 |
| 2 神经网络技术在字符识别中的应用 | 第22-40页 |
| 2．1 引言 | 第22-24页 |
| 2．2 多层前向神经网络字符分类器 | 第24-30页 |
| 2．2．1 多层前向神经网络 | 第24-26页 |
| 2．2．2 BP网络分类器- | 第26-27页 |
| 2．2．3 径向基函数（RBF）网络 | 第27-28页 |
| 2．2．4 BP网络与径向基函数网络的比较 | 第28-30页 |
| 2．3 反馈型神经网络 | 第30-32页 |
| 2．4 竞争型神经网络 | 第32-35页 |
| 2．4．1 无监督竞争学习 | 第32页 |
| 2．4．2 基本竞争型神经网络 | 第32-33页 |
| 2．4．3 抑制竞争型神经网络 | 第33-34页 |
| 2．4．4 自适应共振理论神经网络 | 第34-35页 |
| 2．5 自组织特征神经网络 | 第35-40页 |
| 2．5．1 SOM网络模型 | 第35-37页 |
| 2．5．2 SOM网络在字符识别中的应用 | 第37-40页 |
| 3 基于改进学习子空间方法的字符分类器 | 第40-58页 |
| 3．1 引言 | 第40-41页 |
| 3．2 模式子空间的基本概念及运算 | 第41-44页 |
| 3．2．1 模式子空间 | 第41-42页 |
| 3．2．2 矢量在子空间上的投影 | 第42-43页 |
| 3．2．3 子空间的正交补 | 第43页 |
| 3．2．4 子空间的变换 | 第43-44页 |
| 3．3 子空间分类器 | 第44-46页 |
| 3．4 子空间分类器的构造 | 第46-52页 |
| 3．4．1 非学习的子空间构造方法 | 第46-47页 |
| 3．4．2 基本学习子空间方法 | 第47-49页 |
| 3．4．3 平均学习子空间方法 | 第49-51页 |
| 3．4．4 学习子空间方法的前向神经网络模型 | 第51-52页 |
| 3．5 对子空间分类方法的改进 | 第52-55页 |
| 3．5．1 对Kohonen基本学习算法的改进 | 第52-53页 |
| 3．5．2 拒识规则 | 第53-54页 |
| 3．5．3 改进的子空间维数选择方法 | 第54-55页 |
| 3．6 识别实验 | 第55-58页 |
| 4 字符特征的自动提取方法 | 第58-84页 |
| 4．1 引言 | 第58-60页 |
| 4．1．1 特征提取的基本概念 | 第58-59页 |
| 4．1．2 特征的表达 | 第59页 |
| 4．1．3 特征提取与识别方法的关系 | 第59-60页 |
| 4．1．4 我们的工作方向 | 第60页 |
| 4．2 统计不变量特征 | 第60-65页 |
| 4．2．1 矩不变量特征 | 第60-63页 |
| 4．2．2 基于图像投影和变换的不变性特征提取方法 | 第63-65页 |
| 4．3 基于神经网络字符的特征的提取 | 第65-69页 |
| 4．3．1 概述 | 第65-66页 |
| 4．3．2 相关概念 | 第66-68页 |
| 4．3．3 ASSOM网络的学习 | 第68-69页 |
| 4．4 特征的选择和融合 | 第69页 |
| 4．5 模式可分性度量 | 第69-71页 |
| 4．5．1 模式空间中的距离度量与模式的散布矩阵 | 第69-70页 |
| 4．5．2 散度 | 第70-71页 |
| 4．6 特征选择的评价准则和算法 | 第71-74页 |
| 4．6．1 特征选择的评价准则 | 第72-73页 |
| 4．6．2 特征选择的常规算法 | 第73-74页 |
| 4．7 基于粗糙集理论的特征选择方法 | 第74-78页 |
| 4．7．1 粗糙集理论概述 | 第74-75页 |
| 4．7．2 特征集约简算法 | 第75-78页 |
| 4．8 主分量分析（PINCIPLE COMPONENT ANALYSIS）用于特征降维 | 第78-81页 |
| 4．9 主分量分析神经网络 | 第81-84页 |
| 5 基于可变形模板匹配的字符识别方法 | 第84-102页 |
| 5．1 引言 | 第84-89页 |
| 5．1．1 统计字符识别方法的不足 | 第84-85页 |
| 5．1．2 相关匹配方法 | 第85-86页 |
| 5．1．3 可变形模板匹配技术 | 第86-89页 |
| 5．2 字符模型的表示方法 | 第89-93页 |
| 5．2．1 字符模型的表达方法 | 第89-91页 |
| 5．2．2 字符模型的建立 | 第91-93页 |
| 5．3 可变形模板字符识别的Bayes理论 | 第93-96页 |
| 5．3．1 可变形模板字符识别的Bayes理论框架 | 第93-94页 |
| 5．3．2 匹配规则 | 第94-96页 |
| 5．4 模板与字符图像的匹配 | 第96-100页 |
| 5．5 实验结果 | 第100-102页 |
| 6 适应字符识别实用系统的研究 | 第102-122页 |
| 6．1 项目简介 | 第102-103页 |
| 6．2 表格的描述方法 | 第103-105页 |
| 6．3 智能表格版面分析及字符分割 | 第105-115页 |
| 6．3．1 概述 | 第105-106页 |
| 6．3．2 带定位标识的双色表格的版面分析 | 第106-112页 |
| 6．3．3 基于表格线的单色表格的版面分析方法 | 第112-115页 |
| 6．4 单个字符图像的预处理 | 第115-117页 |
| 6．4．1 字符的细化 | 第115-116页 |
| 6．4．2 字符图像大小的规范化 | 第116-117页 |
| 6．5 自适应字符识别器 | 第117-122页 |
| 6．5．1 识别器的结构 | 第117-119页 |
| 6．5．2 字符识别器的自动训练和调整 | 第119-122页 |
| 7 全文工作总结及继续研究的方向 | 第122-126页 |
| 致谢 | 第126-128页 |
| 参考文献 | 第128-138页 |
