手写字符识别是OCR的一个分支，它的研究对象是：如何利用电子计算机自动辨认手写的英文字符和阿拉伯数字。在探索手写字符识别的方法上采用了统计学习理论，利用支撑向量机SVM作为基本的识别工具。 统计学习理论是一种研究基于样本的机器学习理论。V.Vapnik等人从六、七十年代开始致力于此方面的研究，到九十年的中期，其理论的不断发展和成熟，已基本形成一套比较完整的理论体系。在这一理论基础上发展了一种新的通用学习方法一支撑向量机SVM。它是一种普遍适用的方法，已经广泛的用于模式识别、回归估计、函数逼近、密度估计等方面。独立分量分析ICA最初是由Comon等人于1994年提出的，它解决了盲源分离等问题，应用于模式识别、图像、医学等领域。本文在系统研究SVM和ICA的基础上提出了以下新的观点： 其一是采用了引入后验概率的修正SVM方法，它在原分类超平面的基础上不断修正分类超平面，提高分类正确率，从而避免了寻找最优二次规划的麻烦，同时将大规模训练样本集化为小规模训练样本集； 其二是应用独立分量分析ICA对需要进行识别的字符图像预处理，提取字符特征，降低输入数据的维数，从而可以为下一步的SVM识别过程提供好的数据集，用以提高识别率和识别速度。 结合以上两种新方法，使得识别率和识别速度有明显的提高。ICA方法的引入对于识别过程无论在速度上还是在正确率上都有很大的提高，其中的根本原因在于对输入数据维数的压缩；修正SVM方法是对原有SVM方法的一个改进，借助于特征压缩后的数据集，识别效率有了很大的改善。