演化硬件(Evolvable Hardware，EHW)作为一种新兴的电路设计方法，自上世纪90年代出现后获得了长足的发展，其中一个主要的应用就是模式识别。演化硬件在字母识别、机械手控制、声纳返回识别以及头像识别上的应用显示出了和传统识别系统相比它在识别精度上的优越性；在心电图信号识别上，它也可以和当前最尖端的支持向量机(Support Vector Machines，SVM)技术相媲美。　　 本文首先介绍了演化硬件以及模式识别技术的起源及其发展，然后介绍了演化硬件的关键技术，进而对自适应变异参数控制技术进行了详细的论述，并研究基于统计演化硬件系统的字母识别技术。针对大多数的已经存在的变异比率控制方法过于复杂并不适合于笛卡尔遗传程序的问题，提出了一个有效的，易于实现的用于基于笛卡尔遗传程序(Cartesian Genetic Programming，CGP)的演化硬件的自适应变异参数控制方法。通过和传统的采用固定变异比率的演化算法在演化4-bit偶校验函数，2位乘法器和3位乘法器的对比实验，验证了自适应变异比率控制的演化算法的性能明显优于传统的采用固定变异比率的遗传算法。　　 基于演化算法的优化结果，进一步针对传统的基于演化硬件的字母识别系统噪音情况下的识别率不理想问题，提出了一种统计识别方法。首先，利用演化硬件方法，获得多个字母识别电路。然后，引入多个识别电路并行同步识别的统计方法，对不同级别噪音进行统计识别，提高他们的识别率。实验结果表明，该系统在不同级别噪音下的识别率都有了明显提高。一位噪音时，识别率从原来84.8％提高到96.7％；随着噪音水平的提高，新系统表现更加优秀，在5位噪音情况下，识别率也达到84％。