印刷体字符的识别在20世纪末已经得到了较为成功的解决,基于数据集的手写数字识别的识别率在近年来也已经达到了99%,但是使用数据集训练的手写数字分类器对现实世界手写数字的分类效果远差于数据集的分类效果(识别率在60%-85%不等)。本文的研究目的就是利用多卷积层和随机失活优化的卷积神经网络建立一个对现实世界手写数字也具备较高识别率的分类器。在研究过程中,手写数字图像集的获取、经典算法如何应用在手写数字图像中、卷积神经网络的结构以及如果对抗过拟合等问题表现极为突出。在手写数字图像集的获取的过程中,结合手写数字图像的特点,结合了加权平均法、最大类间差法、Fast_NLM_II算法、连通区域生长法、投影法线性插值算法对图像进行预处理,整合所有的图像数据形成现实世界手写数据集。在随后的算法研究中本文研究了k最近邻算法、BP神经网络和卷积神经网络等分类算法,针对k最近邻算法、BP神经网络和卷积神经网络的缺点对其进行了改进,k最近邻算法改进了输入向量中输入特征的权重,BP神经网络改进了学习速率和局部极值,卷积神经网络改进了网络结构及过拟合,并根据改进后的算法原理建立了三个改进分类器的模型,与未改进的k最近邻算法、BP神经网络、支持向量机、随机森林算法进行了实验对比。经过实验对比,本文采用多卷积层和随机失活优化的卷积神经网络对MNIST手写数据集的识别率达到了99.56%,对现实世界手写数据集的识别率达到了96.80%,达到了实验预期。