模式识别的研究成果在文本分类、语音识别、图像识别、视频识别、信息检索、医学图像分析与数据挖掘等领域得到了广泛的应用。字符识别是模式识别研究的重要内容,印刷体文字识别在国内外经过多年的研究并取得了应用性很好的成果,但手写字母识别具有大量的随意性和笔画的不规则性,对手写字母识别具有更大的难度。随着研究的深入和大量的技术引入,研究人员对手写体字母识别提出了很多种解决方案,产生了多种识别算法。所有研究提出的这些方法和相应的算法,都是在特定条件下可行,并且各有其优缺点,至今还没有发展成统一的、有效的可应用于手写字母识别的模式识别模型。集成神经网络之所以能够成为如今就手写字母识别研究方面研究的核心,是因为其能大幅度地提高系统在泛化方面的能力。在参考相关文献之后,本文重点研究BP(Back Propagation)神经网络算法和遗传算法相结合的方式来实现手写字母识别。识别系统有学习与识别两大板块,其中学习部分是由7个BP神经网络学习训练所组成的,自适应训练是按照选定的参考数值进行训练,计算出输出的误差,再按照输出的误差选择计算局部最优的神经网络算法或者选择全局最优的遗传算法,充分发挥人工神经网络算法局部寻优的计算能力和利用遗传算法全局寻优的计算能力。识别部分包括由特征提取模块和神经网络识别模块构成。字母识别只是通过网络的前馈计算得出最终的识别结果;数字识别是直接网络的前馈计算得到最终的识别结果,没有运用更为复杂的算法。利用VC++编程实现遗传神经网络算法并结合对字母识别的实验,手写字母识别测试平均识别正确率为71.92%,识别结果比较令人满意的。实验结果表明,遗传神经网络既能完成特征提取又能完成分类功能,经过足够多的原始样本训练后的遗传神经网络,其容错性和识别性比较好。