随着信息化社会的迅速发展,模式识别已被应用在各个领域,取得了显著的成果,其中手写体字符识别引起了学者们的广泛关注。手写体字符识别是光学字符识别技术(Optical Character Recognition,OCR)的一个重要研究领域。随着字符识别在人们生活中的不断应用,使得人们对字符识别的效果提出了更高的要求。为了实现更加高效的字符识别效果,提高识别算法的精度以及识别速度,论文研究了适用于阿拉伯字符识别的两种深度学习算法分别为卷积神经网络算法和深度残差网络算法,并对它们进行了改进。为了验证所提方法的正确性,采用B/S架构,实现了一个阿拉伯手写体字符识别系统。主要研究工作如下:1.针对阿拉伯手写字符草书性和字符形状的多变性等问题,为了提高手写字符识别精度,提出一种基于深度二值特征的识别方法。该方法在卷积神经网络全连接层使用Sign函数生成图像二值特征,同时为了解决Sign函数在反向传播时存在的梯度消失问题,为Sign函数构造了一个连续的梯度函数,使CNN网络能够顺利进行反向传播。实验结果表明,该方法使得到的手写字符特征更加简洁易区分,识别率可达95.15%,比传统深度学习算法的识别性能好。2.针对传统阿拉伯字符识别方法手工设计特征复杂、识别率较低等问题,为了提高阿拉伯字符手写体的识别精度,首先设计了一个50层的残差网络模型(ResNet)对阿拉伯手写体字符进行识别,识别精度达到了95.51%;其次,为了进一步提高识别精度,采用了AM-SoftMax分类损失函数。实验结果表明,与现有方法相比,识别精度达到了96.72%。采用的深度残差网络能够提取更加高效的特征,提高了识别精度。同时,AM-SoftMax是对传统SoftMax损失函数的改进,使得分类样本在类内聚合、类间分散,可进一步提高识别精度。3.为了验证论文所提算法的正确性,采用第3章提出的方法和B/S架构,实现了一个简易的阿拉伯手写体字符识别系统。首先用户通过HTML画布绘制需要识别或训练阿拉伯手写体字符;然后客户端将收集绘制的阿拉伯字符转化为数组,并将其传递给服务器以作为预测的字符,在服务端通过对CNN_Binary模块进行API调用来进行训练或预测请求;最后将训练好的CNN_Binary权值保存在文件中,在识别时加载训练好的权值完成预测。实现结果表明,该系统具有较高的识别精度。