手写体字符识别是一种图像识别问题,它的实现会节省大量处理手写信息的人力和时间成本,在财会、邮政、金融等领域具有广泛的应用前景。随着人工神经网络的发展,深度学习算法得到了广泛和深入的研究,逐渐成为图像识别领域的一个研究热点。特征提取是图像识别的关键步骤,深度学习自动提取图像特征的能力可以避免人工设计选取图像特征的步骤,因此通过深度学习实现手写体字符识别具有重要意义。自动编码器是深度学习中常用的特征提取方法,可以通过无监督训练方式分层提取特征,本文针对手写体字符识别问题对自动编码器进行研究和改进,提高了对字符图像的特征提取能力和识别能力。本文主要研究内容概括如下:(1)研究了网络训练过程中的前向传播和反向传播,并在此基础上分析了深度学习相对浅层学习的优势。对深度学习中的生成性、区分性、混合性网络结构进行了区分,并深入研究了用于构建这三种网络的受限玻尔兹曼机、卷积神经网络、自动编码器模型的原理和训练过程。然后,为了获得更容易提取有效特征的字符图像,针对字符图像存在的问题,对预处理过程中的图像灰度化、图像去噪、像素二值化和尺寸归一化等方法进行了研究。(2)由于传统自动编码器通过重构提取特征的过程未用到类别标签,所以会出现提取的特征缺少来自类别标签的类别信息的问题,而类别标签定义了图像的内容,包含了分类识别问题中十分重要的信息。针对这一问题,本文提出了一种组合自编码网络。该方法从图像像素中提取图像主要信息的同时也从图像标签中提取类别信息。最后,混合这两种信息组成组合特征,并用来对手写体字符图像进行识别。通过组合自编码网络与其他单一特征提取算法的对比,发现使用包含图像主要信息和类别信息的组合特征对手写体字符进行识别可以获得更高的识别准确率。(3)由于梯度消失的问题,栈式自动编码器在微调时无法将类别误差信息有效传递到网络底层,底层的参数未能充分学习,减弱了多层网络的作用,影响模型的识别准确率。针对这一问题,本文提出了一种多层微调自编码网络,在自动编码器无监督训练后对网络参数进行微调,从而在预训练阶段使类别误差信息对网络的参数训练产生影响。通过多层微调自编码网络与只在最后一层进行微调的算法进行对比,发现使用多层微调自编码网络提取的特征更具有目标性,可以减小梯度消失产生的影响,提高对手写体字符的识别准确率。