经过几十年的发展,OCR(光学字符识别,Optical Character Recognition)技术已经进入了实用阶段,而且其速度和准确率都达到了令人满意的程度,克服了人工输入费时费力的缺点。然而现有的OCR系统在处理文档时,对其中的数学公式无能为力,只能将其按图片存储,不但占用大量空间,而且不能进行编辑和检索。在网络高速发展的今天,资源共享和资源复用越来越重要,把大量的含有数学公式的科技文献以电子文档方式保存显得尤为重要。因此,数学公式自动识别技术具有很高的实用价值。数学公式识别系统分为数学公式抽取、公式符号识别、公式结构分析和公式重构四个模块。数学公式抽取是其中的一个重要环节,相关研究已有很多,但这些研究大多基于识别结果且针对的是英文文档。本文针对中文文档自身的特点,提出了一种孤立公式、内嵌公式分步处理,内嵌公式分级处理的层次抽取方法。该方法分为两步：孤立公式抽取和内嵌公式抽取。对于孤立公式,采用统计特征并引入基于模糊逻辑的判决规则,取得了较好的抽取效果；对于内嵌公式,先用统计特征对图像中的字符粗分类,然后用内容特征对字符进行细分类,最终完成内嵌公式的抽取。这种分级处理内嵌公式的思想结合了统计方法速度快和识别方法精度高的优点,取得了较好的抽取效果。实验表明,这种层次抽取的方法对含有数学公式的中文文档具有较好的适应性和较高的准确率。