光学字符,指的是人们肉眼可见的打印在纸张等材质上的字符。把这些光学字符转化为计算机可以识别的编码的过程就是光学字符识别(Optical Character Recognition)过程。光学字符识别有着十分广泛应用范围。如物流系统的邮件分拣、智能交通系统的车牌识别、金融监管中票据处理,公共安全管理中证件读取等等。但是,对于手写的光学字符,由于人们手写的随意性,使其识别的难度大于较正规的印刷字符。因此,对于手写的光学字符识别,特别是中文的手写光学字符识别,识别结果都不尽如人意。本文重点就对两种在字符识别领域表现比较优秀的遗传优化误差逆反馈人工神经网络算法和支持向量机算法进行深入的研究,比较它们在手写数字字符识别上的优缺点及特性,以期对工程项目应用做出指导。文中利用C++编程语言,结合OPENCV图像处理开源库(http://opencv. org/)及google公司的MNIST手写数字字符数据库(http://code.google.com/p/s upplement-of-the-mnist-database-of-handwritten-digits/downloads/list)及LIBSVM开源库(http://www.csie.ntu.edu tw/-cjlin/libsvm/)对OCR开发过程中涉及到的各种算法进行实验,提出实用可行的解决方案。主要工作可以分为三大部份,第一部份是图像预处理,第二部份为特征提取与描述,第三个部份为识别。其中涉及图像二值化、字符分割、字符细化、寻找字符轮廓、极坐标变换、支持向量机、人工神经网络、遗传算法等方面的技术与知识。论文提出向量差值法比较骨架特征与轮廓特征的优劣是一创新点。同时,把前人的经典算法利用于光学手写数字字符的识别上,从识别正确率、识别速率、训练样本规模等方面比较它们在光学手写数字字符识别领域的优缺点,得到的实验结果具有比较高的实用价值。