现在市场上的伪币不少,不仅给人民群众的财产造成严重损失,而且还扰乱了金融市场。由于人民币冠字号具有唯一性,因此可以利用这个特性来鉴别人民币的真伪。已有的具有冠字号检测功能的金融设备基本都用双根CIS(Contact Image Sensor)或CCD(Charged Coupled Device)来采集图像。CCD价格昂贵,无法大范围的使用。在有的金融设备内部空间狭窄,无法满足双根CIS的安装要求。本文所使用的单根CIS能有效地解决这个问题,并且能满足识别率不低于99.7%的国标要求,同时达到识别速度不低于500张/min的自动取款机性能要求。用单根CIS采集到的图像,人民币正反两面叠加在一起,这样会造成图像背景复杂,噪声增加,因此图像预处理显得尤其重要。本文的预处理流程是:边缘检测、倾斜校正、滤波、图像二值化、冠字号区域提取、过滤孤立噪点、字符分割及归一化。其中去噪和二值化最重要,去噪主要包括滤波去噪和去掉孤立的噪点。本文采用一种局部动态二值化方法,在保证速率的同时提升了二值化的处理效果。经过预处理后得到的是10个冠字号字符图像。本文根据冠字号的字符特点设计并且实现了三种字符识别算法:模板匹配法、基于字符结构特征法以及人工神经网络法。本文利用字符图像是二值图像的特点,简化匹配率的计算过程,大大降低了模板匹配法的计算量;根据字符的结构特征,创建了稳定的特征树;依据数字集合的特征,创建了训练速度快而且识别率高的人工神经网络,识别率能达到99.9%。结合这三种字符识别算法的优点,针对冠字号的特点,提出了一种联合识别方法。该系统中冠字号的前4个字符采用模板匹配法结合特征法来识别,弥补了模板匹配对字形相近的字符识别率低的缺点;后6个字符则采用人工神经网络算法来识别,充分发挥了神经网络法对数字字符识别率高的优点,并且对识别算法进行了优化:(1)由于冠字号第二至第四个字符中有且仅有一个字母,字母数量不为1时,则根据模板匹配法的匹配结果对结果进行纠正,能有效的保证字母的数量为1,提高了识别率;(2)根据标准误差反转算法的理论缺陷提出几项改进方法,包括增加动量项和自适应调节学习率,神经网络的学习速率能提升50%。测试结果表明,系统的识别速率能达到650张/min,识别率为99.73%,达到了相应要求。目前,本文所设计的识别系统已经被应用于市场上的自动取款机上。