随着科技的不断进步,各行业信息化不断提升,数字成为了信息传输的重要载体,在工业生产和日常生活中发挥着巨大的作用。然而,当前仍然存在大量工作与实验不能在计算机中进行仿真,大量数据以手写的形式存在,但是大量的数据经常需要借助计算机进行分析,而人工进行数据采集和录入会耗费大量的人力、物力。因此,如何对手写体实验数字进行精确的识别变得尤为重要。随着深度学习的快速发展,基于深度学习的图像识别、图像分类技术也越来越成熟,因此本文采用基于卷积神经网络的方式进行手写体实验数字识别。本文通过结合传统图像处理、深度学习和机器学习的相关技术,在研究与学习现有文本检测算法的基础上,提出了一种基于卷积神经网络的手写体实验数字识别算法,其中包括数据的定位、数字的分割以及数字的识别三个核心步骤。在进行实验数据的检测与提取中,本文构建了CRAFT网络模型,并制作了相应的数据集对网络模型进行训练,同时针对本文数据设计了后处理算法,从而实现对实验数据有效的检测与提取,在ICDAR 2017数据集上进行测试,得到79.8%的检测精度。在数字分割部分,本文使用水滴法对数字进行分割;在数字识别部分,本文针对手写体识别正确率无法满足高精度的问题,设计一种高精度的手写体数字分类网络。首先使用连续非对称卷积提取图像的初步特征同时减少计算所需参数,其次使用深度可分离卷积改进Inception结构,并结合残差网络以防止梯度弥散,最后进行Softmax分类。通过MNIST数据集实验,得到99.45%的识别率。为进一步提高网络识别率,在分类层使用支持向量机(SVM)代替传统卷积神经网络(CNN)的全连接层与Softmax层,经交叉验证得到99.78%的识别率。最后对本文的手写体实验数字进行识别测试,得到99.18%的识别率,结果表明,改进Inception结构能够获得更大的网络宽度,同时SVM对于CNN提取的特征的分类能力也有较好效果。