在模式识别领域，多年来的实践表明：对一个复杂的识别分类问题，单一的方法难以获得令人满意的识别性能，同时不同的分类方法之间往往存在着互补性，把多个分类器集成可以明显提高识别率。因此多分类器集成方法近年来已成为研究者们关注的一个热点。本文建立了一个集成型神经网络手写体数字识别系统，系统主要由两部分构成，即：学习部分和识别部分。学习部分主要完成七个BP神经网络的学习训练，识别部分由特征提取和集成型神经网络识别构成。在整个系统的实现过程中，本文的主要工作有以下几个方面： 1．实现了宏观，局部和微观三个层次的特征提取，分别应用于七个不同的神经网络分类器 2．对单个分类器，为提高网络的收敛速度和避免网络假饱和现象，对传统的BP神经网络作了一些改进，例如修改学习因子，修改S函数，改进最优梯度法，引进最优步长等。 3．在集成算法中，本文提出了基于判决可靠度估计的最优线性集成算法。该方法的思想是：先根据分类器对每个样本的判决可靠度，把训练样本分为若干个区域，在不同的区域里使用最优线性集成方法训练出多组权值向量。在测试时，同样求出某一测试样本的判决可靠度，根据该样本的判可靠度所在的区域得出相应的权值，再使用该权值进行组合识别。本文对七个BP神经网络的结果采用多种算法进行组合，用实验证明基于各类别置信度的最优线性集成算法是最优的。 本文建立的集成型神经网络手写体数字识别系统，综合使用了多种模式识别方法，全面反应了手写体数字各个方面的特征，试验结果表明该系统提高了手写体数字识别的精度，还有很多地方值得深入研究下去。