在银行业以及自助服务业等涉及到纸币识别的金融服务行业,纸币清分机扮演了十分重要的角色,它出现后便取代了很多枯燥而且容易出错的人工工作,并且让纸币清分这项业务在速率和效率上有了极大的提高。然而我国与国际上拥有先进纸币清分机制造技术的国家在纸币清分机制造领域还有很大的差距,我国的大型银行等一些金融机构所使用的纸币清分机几乎都是从国外进口,价格都在百万人民币以上。纸币的面额识别是纸币清分机的核心功能,因此要打破国外在我国清分机市场的垄断局面,就要研发具有自主知识产权的高效纸币识别技术。本文在充分调研国内外人民币纸币识别市场情况以及广泛阅读相关文献后,提出了两种人民币纸币图像的识别方法,分别是基于灰度共生矩阵(GLCM)与马氏距离(Mahalanobis)的统计理论识别方法和基于卷积神经网络(CNN)的识别方法。在进行人民币纸币图像识别前,首先对采集的图像进行了平滑滤波去噪、倾斜校正、目标分割等一系列预处理。其中滤波去噪部分采用中值滤波方法,倾斜校正部分采用霍夫(Hough)变换方法,目标分割部分采用灰度投影方法。基于灰度共生矩阵(GLCM)与马氏(Mahalanobis)距离的统计理论识别方法部分,首先运用经典的基于灰度共生矩阵的统计学方法提取人民币图像的纹理特征参数,然后利用各种纸币纹理特征参数的统计数据得到的马氏距离作为分类器,来达到识别人民币纸币的目的,该算法在识别人民币纸币面额的同时也能识别人民币纸币的面向。实验数据表明,该算法的人民币纸币的综合识别率为99.4%。基于卷积神经网络(CNN)的人民币纸币识别方法部分,在著名的深度学习框架TensorFlow上,设计了一种具有十一个隐藏层的卷积神经网络,并进行了一系列参数的学习训练及调整,最后训练出了一个在本实验数据集上能达到99.8%识别率的卷积神经网络,识别结果达到了实际应用场景的要求,给我国纸币清分机制造领域提供了新的研究方法和思路。