随着人工智能技术的高速发展和中国制造的崛起,汉字识别技术也越受关注。其中手写汉字细化得到的端点、交叉点和像素间的角度等特征信息都是手写汉字识别的部分依据。本文重点研究了现有的AW、欧几里得距离、K3M、神经网络等细化算法的基本原理,且进行了优缺点对比。结合AW算法的旋转不变性和K3M算法易于实现的特点,提出了一种新型细化算法。在LabVIEW平台搭建基于新型细化规则的BP网络模型,实现手写汉字细化,并研究不同邻域大小下神经网络算法的细化效果。论文主要工作如下。(1)通过LabVIEW平台进行图像预处理过程分析,发现处理后的图像边界像素会产生突变,形成毛刺点或凹陷点,影响细化效果。针对这种情况,提出了基于模板匹配的图像修剪方法进行修复,降低毛刺点和凹陷点的影响,同时也具有较好的抗噪性。(2)K3M算法的改进:a)采用距离场的方式对图像边界进行标记,可以有效的解决原K3M算法存在的重复标记问题,有效的降低时耗,且使得细化结果具有较好的居中性;b)对查询数组的模板进行分析,发现其都是基于4-连通的模板,且存在冗余分支和非单像素宽问题。采用模板改进的方式重构查询数组,使其减少冗余分支且具有较好的8-连通性和保持原拓扑结构。(3)提出一种新型细化算法:a)结合AW算法的旋转不变性模板,对改进的模板进行优化组合,从而构建保持原有优点且具有旋转不变性的优化组合模板;b)结合手写汉字的笔画走向改进其优化组合模板,解决其不够平滑和存在的特殊双像素斜线和2×2方格等问题。结果表明其在细化率方面也优于K3M、欧几里得距离等细化算法。(4)结合人工神经网络算法的发展,在LabVIEW平台搭建具有较强学习能力和泛化能力的BP神经网络模块,进行新型细化规则学习,与预处理模块构成细化系统,实现手写汉字的骨架提取。并研究了在同样的新型细化规则下,不同模板大小的BP算法细化效果基本一样,更加可以确定细化规则比模板大小更为重要。实验结果表明,该系统较为稳定,且能够有效得到具有较好的连通性、旋转不变性、居中性的骨架,还具有单像素宽和毛刺少的特点。