脱机手写数字识别在很多领域具有广泛的应用前景，国内外学者对此做了大量的研究工作，提出了很多预处理和模式识别的算法，大大提高了手写数字的识别精度。但到目前为止，手写数字识别的识别精度还有待提高，阀值参数选择等问题尚有待解决。 为了提高手写数字识别的精度，本文将Hopfield神经网络应用于脱机手写数字识别分析中，Hopfield神经网络的“能量函数”的能量在网络运行过程中，具有不断地减少最后趋于稳定的平衡状态的特性，而且网络一旦建立即可自动运行，无需要训练。脱机手写数字的识别过程分为两步：训练阶段，识别阶段。在训练阶段，提取训练样本集的代数特征，建立网络模型，以输入向量为目标向量，保存网络连接权值和阈值以及代数特征；在识别阶段，将待识别数字特征送入网络运行，待网络运行到平衡状态后，将输出结果与数字特征库的向量进行比较，距离最小者即为待识别的数字。 脱机手写数字识别一般分为图像预处理、特征提取、数字串分割、识别这几个阶段。首先，票据的数字图像进行预处理，通过去噪、平滑、二值化等一系列预处理工作，在对手写数字图像进行预处理时，引入了基于小波变换的图像处理新方法，它较改进的中值滤波算法根据先进性和更适应于后续的Hopfield神经网络的训练和识别过程。得到待识别的手写体数字串后本文提出了一种基于识别的分割方法以得到分割最佳组合，这种分割方法的分割结果是基于识别结果的，在识别数字的同时得到分割结果设计了包含神经元的神经网络分类器识别手写数字，在训练分类器的时候，将反例样本作为必要的训练样本估计分类器的参数，并且合理的选择正例样本和反例样本的比例，这样训练得到的分类器具备很好的分类能力。 试验数据表明，这样设计的脱机手写数字识别分类器大大的降低了误识率，得到了较高的识别正确率。