无约束手写体数字识别一直是模式识别领域的一个研究热点。由于手写数字的样本库较少，因此它也是检测各种识别算法优劣的重要检测手段，虽然现有的很多识别器都具有较好的识别效果。但是,在有些领域，比如支票识别、统计报表识别、银行票据识别中，它们的识别率及正确率还远不能达到令人满意的程度。为了提高算法的精确度，论文提出应用模糊聚类的方法进行数字识别。 模糊聚类具有高度的模糊性和容错性，是目前应用较为广泛的一种识别方法，但其在实际应用中仍有一定的局限性。一是模糊关系矩阵较难确定，二是聚类对象通常较为庞大，计算量也很大。在实际应用中，如果能对特征因素进行筛选，将有利于降低计算量，提高聚类效果。由于BP 神经网络具有高度的自适应性，能从样本的训练中学习到问题的规律，对相互交叉的识别因素起到较好的筛选作用，从而为后续的模糊聚类识别提供更为有效的数据。因此，笔者提出了将BP 神经网络和模糊聚类算法相结合的识别算法。其基本思想是先通过BP 网络对数字样本进行训练，再使用模糊聚类分析方法来实现矢量数据的归类，进而完成数字识别。在研究的过程中，为了避免使算法陷入局部最优解，并使其不依赖于初始权值，论文提出了FCM 算法的改进算法，并运用它进行聚类识别。在运用BP 神经网络算法和模糊聚类算法的章节，论文运用了MATLAB语言来验证算法的有效性。