脱机手写数字识别技术因其在文档、统计、票据、邮件等方面的广泛涉及，成为了研究人员近年来重点研究的课题，阿拉伯数字也是全世界唯一通用的字符。随着社会金融业等行业的发展，我们对脱机手写数字识别准确率的要求也越来越高。但是手写体的数字由于其人为因素的差异，使得其特征变化多样，具有很大的随意性。本文针对脱机手写数字图像识别以及图像特征提取等问题，提出了基于LVQ神经网络的脱机手写数字识别方法，以实现提高脱机数字识别系统的识别精度和识别速度的目的。针对基于LVQ神经网络的脱机手写数字识别方法，本论文研究内容如下：1.对手写数字图像进行图像预处理与特征提取，预处理过程是分别对图像进行灰度化、二值化、去噪、归一化以及字符的骨骼化过程。特征提取方面，本文采用特征区域分割与重组的新的特征提取方法，该方法具有良好的泛化性能，更能适应手写体数字特征变化大的特点；2.研究和分析了神经网络的基本原理模型与算法，提出将自组织竞争神经网络方法应用于手写数字识别，设计了一种基于LVQ神经网络方法的脱机手写数字识别系统。本文重点分析和研究了LVQ神经网络输入/输出节点数和隐含层神经元个数的确定，并对LVQ神经网络的权值系数与工作方式进行了深入的分析；3.基于Matlab实现了LVQ神经网络对手写数字图像的识别，分别进行了对USPS手写数字样本库和五组不同人为书写的手写体数字的识别过程，并将实验结果与传统的BP神经网络进行了统计与对比。在系统的测试结果中，LVQ神经网络对USPS的数字样本库识别率达到了97.4%的正确率，而BP神经网络的正确率是95.7%。LVQ神经网络对五组手写数字的识别正确率达到了100%的正确率，而BP神经网络训练五组手写数字时，在数字1、3、8处均各自出现了一个误识率，识别精度不如LVQ神经网络。因此，LVQ神经网络具有比BP网络更低的误识率，且它的结构简单，对输入向量没有规格化要求，也不存在BP网络所有可能出现的局部最小化的问题。LVQ神经网络具有比传统BP网络更明显的优势，更具有实际应用的价值。