近年来，从自动柜员机（ATM）中取到假币的事件时有发生，但是由于储户和银行都没有办法提供确凿的证据表明钞币的来源，所以纠纷不断但总是不了了之。如果能在自动柜员机中加入钞币序列号记录和打印功能，储户在存取款时都能将交易涉及的钞币序列号识别并打印成存根，一旦发现假币，就可以用打印的凭条举证，避免不必要的纠纷。所以研究高速的人民币序列号识别技术有着非常现实的意义。相对于邮编识别和车牌识别来说，钞币的序列号识别的对象单一且字体标准，技术上的难题主要是需要做到高速识别和高准确性识别。基于这样的要求，本论文选择了以德州仪器公司（TI）的高性能的数字信号处理器（DSP）DM6437为核心的硬件平台，采用误差反向传播（Back Propagation，BP）神经网络的基本原理为识别算法。设计了图像的采集、预处理和字符特征提取程序，并通过TI集成开发环境（IDE）CCS提供的脚本功能实现从DSP片上高效的传输图像数据和字符特征到PC机端。在PC机端编写了基于C++Builder的数据转换和图像显示界面调试工具。通过上述采集系统，采集了约1900幅人民币图像和超过15000个字符特征集合。在MATLAB神经网络工具箱中建立了包含两层隐含层的BP神经网络模型，使用采集到的特征训练得到了一套能使输出误差在0.0005以内的网络权值和偏置参数。在DSP上利用上述权值和偏置参数实现了BP神经网络的识别算法。针对大量的测试对象实验，验证算法和程序的有效性。算法平均执行速度达11.39毫秒/张，字符识别准确性达99%以上，对同一对象的100次不同位置和角度的识别，准确率达到99%。证明BP神经网络的识别方法在对人民币币字符识别方面有良好的效果且实现方便，结合高性能的数字信号处理器，可以方便的集成在纸币清分、清点等金融机具中，具有广泛的应用前景。