本学位论文研究了基于人工神经网络的手写体朝鲜文字脱机识别方法.朝鲜文字系统的文字数量庞大、相似文字多、手写体文字形变复杂、兼具西文单词和汉字的特点,同时又具有自身特有的构字规则和形态特征.因此,手写体朝鲜文字识别问题是文字识别领域中面临的困难大、理论与技术含量高、实际应用价值也很高的课题之一.朝鲜文字的识别可分别以整字、字母、笔划或笔段作为识别对象.识别整字的方案符合人类的认字规律,但因识别对象的数目庞大而难以作为机器识别的最佳方案;而识别字母、笔划或笔段的方案则以文字的逻辑结构或几何结构作为基础,直接识别的对象数目极少,但需要对文字图像进行字母、笔划或笔段的分割处理,这对手写体文字而言很难保证其有效性.在缺乏文字书写过程的动态信息的情况下,手写体文字的脱机识别还面临着合理有效地吸收文字形变的问题.只有面向文字全局考察,才可以有效地把握和处理形变问题,而只有充分利用朝鲜文字系统本身所具有的组字规则,才可以实现高效率的文字识别系统.本学位论文在方法论上采用了分析与综合相结合的思想,在全局中学习局部,用局部重构全局,即一方面利用神经网络的学习能力使识别系统从实际手写文字中学习字母,另一方面利用朝鲜文字逻辑结构的先验知识把各个字母组合成完整的文字.为此本文在朝鲜文字结构分析、手写体朝鲜文字特征选择与提取、字母分类器的研究以及基于字母学习与识别的文字识别算法等四个方面开展了研究.我们首先用形式化的方法分析了字母与文字的形态结构,并分析了朝鲜文字复杂性因素,同时揭示了手写朝鲜文字所遵从的规律.其次,根据手写体朝鲜文字的笔划特点,为吸收手写体文字的形变,选择模糊化动态网格方向线段作为文字特征并给出了特征提取方法,有效地表现了手写体朝鲜文字的特征.为设计字母分类器,本文研究了基于最佳平方逼近的三层前馈神经网络,并采用了隐层单元数目动态递增的训练方式.最后,在文字识别阶段,利用字母分类器给出的候选字母的有效输出值,把文字表示成字母空间中的向量,并通过计算与标准文字之间的匹配程度,确定了以候选字母组合的文字的可信度,产生了最终识别结果.在特征选择与提取、字母分类器的研究和文字识别算法的设计过程中,我们利用所采集的高频字样本对所提出的方法进行了测试实验.实验结果表明字母分类和文字识别效果明显好于单纯的字母分割方法,显示了本文所提出方法的优越性和良好的发展前景.朝鲜文字组成规律作为先验知识分别运用在字母空间特征区域的选定、训练过程中教师向量的产生、字母分类器驱动流程的设计、候选字母的合法性检验、字母空间中文字向量的表示以及候选文字可信度的确定等方面,使识别系统在图像处理与分析层次和文字的逻辑结构层次得到了有力支撑.