字符识别是模式识别领域的重要研究课题。随着计算机与互联网技术的发展，特别是智能终端的普及，联机手写字符识别已经成为人们现实生活的重要需求。汉字的种类繁多，结构复杂，且相似字多，书写随意，使联机手写识别工作变得具有较大挑战性。　　 联机手写字符识别的关键在于特征提取和分类器设计。建立在统计学基础上的支持向量机技术能够很好的解决在有限样本情况下的分类识别问题。增量学习技术能够通过样本的增加不断优化分类器设计。　　 本文在研究了整个字符识别过程的基础上重点研究了字符特征提取和基于增量学习的分类器设计方法。主要内容包括以下几个方面:　　 (1)研究了联机手写识别技术的发展历史和研究现状，对手写字符识别的过程及对每一过程的方法进行系统的总结。　　 (2)对统计学习理论、支持向量机理论及增量学习算法进行了介绍。在最小二乘支持向量机基础上研究了增量学习算法，将新的增量学习方法和最小二乘支持向量机结合，通过实验证明新的增量学习方法具有更高识别率。　　 (3)将笔画密度特征和方向素特征融合，提出了新的特征提取方法。设计实现了联机手写识别系统。实验系统包括样本采集与训练模块，手写输入与预处理模块，融合特征提取模块，SVM分类识别模块等。使用本文设计的系统对特征提取方法进行了对比实验。结果表明，新的融合特征的具有更高的识别率。