金融系统现代化是保障经济繁荣、维护社会和谐的重要条件。本文以纸币清分机研究为基础,提出了一套基于径向函数神经网络的序列号识别系统。本系统采用CIS(Contact Image Sensor)采集原始的人民币图像数据,经A/D转换后传送给DSP(Digital Signal Processer),完成大部分预处理工作,得到序列号区域图像,再传入PC,在软件实验平台上完成序列号识别。本文的研究重点,分为图像预处理和字符识别算法两部分,主要包括:噪声抑制、二值化、边缘检测、畸变校正、序列号提取、字符分割以及模式分类方法。针对纸币序列号识别的各个流程,本文详细阐述了常用的算法及思想,并结合人民币图像和序列号字符集特点,提出了相应的方法。本文采用基于径向基函数神经网络的模式分类方法进行字符识别,在230个训练样本集的实验中已经达到95%的识别率,超过了文献[1]所用的BP神经网络方法的识别率,同时具有较小的神经网络节点数目。在后续的工作中将对径向基函数的训练方法进行进一步优化,可以期望取得更高的识别率,并且保持较小的隐藏层节点数。与常规的序列号识别方法相比,本文对以下几个环节进行了优化:(1)使用随机Hough变换代替常用的直线拟合,检测纸币边缘;(2)将旋转变换和切向变换合并为一次仿射变换,完成图像几何畸变校正;(3)研究了一种基于行程编码的方法提取纸币的序列号区域;(4)采用连通区域分析进行字符分割,为满足系统实时需求,对算法进行并行优化;(5)采用了一种二维投影直方图和欧拉数相结合的特征提取方法;(6)使用径向基函数神经网络作为模式分类方法,并提出了针对纸币序列号识别的网络模型。据我们所知,将行程编码方法、连通区域分析并行算法、特征提取和基于径向基函数神经网络的模式分类方法用于纸币序列号识别,在国内未见报道。本文所研究的字符识别技术,在车辆、枪械、坦克等重要设备、武器的生产、维修与管理中,都有广阔的应用前景。