人工智能已成为当下比较热门的一个话题,越来越多的科研工作者投身到了人工智能领域的研究。在日常生活中,随处可见的便是字符。在字符识别中一个重要的方向便是手写数字识别。借鉴仿生的理论,如果可以让计算机像人眼一样,自动地完成手写数字的识别的工作,将会减轻人工识别手写数字信息的压力,提高相关行业人员的工作效率。经过较长时间的发展,手写数字识别的理论与算法得到了进一步改善,但是如何有效地应用在实际生活中依然是一个严峻的问题。神经网络是对人脑的一种模拟,是仿生的一种体现。本文对BP神经网络与卷积神经网络两种网络模型进行了研究。由于特征提取方法对网络识别率具有很大的影响,因此本文研究了三种特征提取方法,分别是PCA特征、Sobel特征以及Gabor特征。通过研究不同特征提取方法与BP神经网络结合发现,当使用Gabor特征与BP神经网络结合时,识别结果最好。人工提取特征受特征提取方法的影响较大,因此本文又研究了卷积神经网络,通过网络自身实现特征提取与识别。对于深度神经网络,随着网络层数的加深,训练难度会有所提高,因此如何使用较浅的网络来获得较高的识别率是值得研究的。本文通过对LeNet5模型进行分析后,提出两种改进模型。通过分析识别结果发现,不同模型的识别结果具有一定的差异,因此本文提出一种组合神经网络。通过实验发现该网络能够获得一个较高的识别率。最后本文基于MATLAB的GUI设计了手写数字识别系统,该系统能够有效的识别出图片上的手写数字,具有一定的实用价值。