现今,随着经济的发展和金融业务的扩大,金融票据的自动识别成为银行等金融行业信息化、电子化的一个重要课题.在银行系统的各种业务中,各种票据被大量应用.而这些票据以往都需要人进行处理.录入的过程既慢而且容易出错.银行金融票据处理系统正是根据银行业务处理的需要而提出来的.但是如何高速准确的将金融票据中的重要信息输入计算机是一个技术难题.在票据的重要信息中,金额数字、客户身份证数码和客户姓名是其中很重要的一部分.如果能使用计算机对其准确的识别,无疑将大大提高整个处理系统的处理能力.该研究课题的主要目的旨在解决金融票据中金额数字、客户身份证数码和客户姓名的自动识别问题.手写体字符识别的重点与难点在于字符的特征提取与分类器的设计.针对金融票据上多为自由书写的字符,其风格各异,不同的人有不同的书写习惯,甚至同一个人所书写的多个相同字符,字型上也可能存在相当大的差异等情况.该文在字符特征提取过程中,首先针对多种字符特征进行了实验比较.通过比较,从中选择了几种性能稳定且相互互补的字符结构和统计特征,并利用结构特征对字符结构较敏感、区分相似字的能力较强的特点和统计特征鲁棒性强的特点,将几种特征结合起来使用.针对金融票据对识别系统的性能要求比较高,不但要有比较高的识别率而且误识率要比较低的特点.该文试图将神经网络模式识别与字符特征提取相结合来解决这一问题.在识别阶段,该文基于不同的网络模型有其自身特点,利用多神经网络集成技术,将选取的特征有机地综合利用.针对神经网络对各种特征地良好适应性,对数字字符的识别采用了一种基于改进BP网络为子系统的并联集成网络,试验证明该系统在具有较高识别率的同时误识率较低;对汉字字符的识别采用了一种基于SOFM网络和改进BP网络的多特征的混合神经网络,试验证明混合网络较单一网络的识别性能有较大提高.另外,该文针对传统BP网络的收敛速度慢且易陷入局部极小点等缺陷作了改进,试验证明改进后的网络在收敛速度与精度上都有提高.