本文所研究内容为基于深度学习的手写数字识别方法。计算机作为如今主流的办公方式载体,通过信息技术将原本复杂繁琐的办公过程电子化、数字化和智能化,这也使得大家对计算机的依赖日趋增加。但很多工作受限于现场情况仍停留在纸面办公,这极大增加了之后对数据统计分析时的工作强度,工作效率也因此降低。因此,大家希望将传统手写办公方式与人工智能相结合。为了改善手写办公的诸多问题,基于深度学习的手写数字识别方法提供了解决方案。在人工智能蓬勃发展的今天,卷积神经网络在计算机领域的不断挖掘研究,让深度学习日渐被人们了解且已大量应用在普通人的生活中。但由于手写数字本身携带的复杂性和多变性,给计算机识别增加了挑战,更高精度和准确率的识别仍是未来的发展方向。本论文研究深度学习在处理复杂大样本前提下的手写数字识别效率问题。目前应对复杂大样本的数据处理不仅依赖于专业高性能设备,所使用的深度学习模型复杂度也在不断增加才能保证识别精度,这无疑增加了普通使用场景的准入门槛,故降低参数量和计算时间,是深度学习应用更加广泛的先决条件。为了提升识别效率,本文提出了一种基于改进Inception结构与DenseNet结构的方案,通过两者的配合实现深度学习识别时间的降低及运算速率的提升。本论文主要内容为:1.通过对多种深度学习框架进行优劣性的理论分析,探索基于Inception和DenseNet结构的改进方案。2.通过对多种深度学习框架进行实验,并对实验数据进行分析,验证在对原有Inception结构进行卷积核尺寸、参数调整之后,加入DenseNet结构可以实现在不牺牲识别精度的前提下,降低运算时间,提升识别效率。实验数据显示,改进后的结构训练精度最高达到99.47%,验证精度最高达到89.45%,单个批次训练时间较改进前模型减少26.15%。