手写汉字识别是人机交互的一种重要形式,在票据处理、文件录入等领域具有很高的实用价值。但因汉字的字符数量众多、每个人书写风格各异等原因,手写汉字识别的准确率一直不高。近年来,深度学习在图像识别、目标检测等领域取得了突破性的进展,逐渐成为了模式识别问题中常用的方法。本文基于深度学习的方法,综合利用特征提取技术对脱机手写汉字的识别进行了研究,使其识别准确率得到提升。主要的研究工作如下:(1)结合CASIA-HWDB1.1数据集的具体情况,基于Alex Net、VGGNet和Goog Le Net构建多个不同结构的卷积神经网络(CNN)模型,研究不同结构的CNN模型对脱机手写汉字的识别效果。实验结果表明,基于VGG-11结构的端到端CNN模型的识别准确率最高,能够达到94.5%。(2)在VGGNet结构的基础上,设计了多个不同深度的卷积神经网络模型,研究卷积神经网络的深度对识别准确率的影响。实验结果表明,在模型小于11层的情况下,模型结构越深,识别准确率越高。(3)提出了Gabor特征和HOG特征融合CNN模型的识别方法。虽然端到端的CNN模型能够取得不错的结果,但是作为一个黑盒子,CNN在接受原始图像输入的时候,会忽略一些特定领域的信息。本文利用传统图像处理领域的Gabor特征提取和HOG特征提取技术,综合改进对训练数据集进行特征提取,并将提取到的特征图与原训练数据集融合在一起作为CNN的训练数据。实验表明,Gabor特征图和HOG特征图对CNN模型的识别准确率分别提高了0.8%和0.6%。(4)对于CNN模型训练速度慢和不易收敛等问题,研究了基于迁移学习的微调技术和批量归一化算法对模型训练的加速效果,分析了不同Dropout概率对模型识别准确率的影响。最后选择实验结果较好的模型与参数,基于Tensor Flow框架实现一个对脱机手写汉字图像进行识别的测试系统。