随着科技的发展,人们生活和工作产生大量的手写体字符信息,考虑到这些字符所要表达信息的安全性和隐私性,让机器实现快速、准确的手写体字符自动识别技术势在必行。手写体字符识别方法主要是光学字符识别,但因其识别率低、成本高等问题,还未能广泛推广使用。目前包括模板匹配、神经网络和支持向量机等模式识别的方法已经投入到手写体字符的识别研究。本文针对传统的字符识别方法实时性差、成本高等问题,提出采用极限学习机算法实现手写体字符识别。论文首先对模式识别的定义、基本组成系统和基本方法进行了介绍和讨论,引出了利用神经网络进行模式识别的方法,对神经网络的工作原理和特点进行了分析和研究;然后提出用极限学习机实现手写体字符识别方法,针对原始极限学习机存在的结构风险和经验风险不平衡这一问题,提出使用正则极限学习机和傅里叶变换优化极限学习机实现手写体字符识别。设计基于BP神经网络、极限学习机、正则极限学习机和傅里叶变换优化极限学习机四种算法实现手写体字符识别的方法,包括预处理、特征选择和降维等具体过程。手写体字符识别算法仿真的训练样本为MINIST样本库的10000个数字样本,测试样本数量为1000个,除采用BP神经网络、极限学习机、正则极限学习机和傅里叶变换优化极限学习机四种算法实现手写体字符的识别结果外,还设计实验分析隐含层神经元个数对仿真结果的影响。通过对算法仿真结果的对比分析,BP网络作为最经典的神经网络算法,在手写体数字识别结果的精度上达到了较高的水准。极限学习机算法较BP神经网络在训练时间上表现出极大的优势,但是识别精度低于BP神经网络。基于极限学习机的两种优化算法,即正则极限学习机和傅里叶变换优化极限学习机,与原始极限学习机相比提高了算法的泛化能力,提高了手写体数字字符的识别精度。