近年来,手写数字识别已成为光学字符识别中一个重要分支。目前印刷体和联机手写体数字识别系统应用非常成熟,而脱机手写体数字识别却因其写法不同难以做到实用性强的数字识别系统。如果脱机手写数字系统能够做到高精度、高效率的量产,这便能极大解放了人们的劳动力,不仅降低人工录入时可能出现的错误,还减少了大量的时间消耗,响应了人类向智能化社会前进的步伐。关于如何提高手写数字识别率的问题,本文主要针对分类器性能方面展开深入研究,在机器学习、人工神经网络、深度学习等领域都有所涉及,其内容有以下几个方面:1)在特征提取方面,本文选择的是将13点网格特征与小波系数特征并行融合的策略作为特征提取的方法。由于13点网格的操作可以提取图像的全局轮廓特征,而小波变换能同时表征出图像的时域和频域信息,具有多分辨率的特点,因此小波系数特征又可以提取图像中更多的细节局部特征,将二者并行融合,可以更好的提取特征。2)面对支持向量机（SVM）、核极限学习机（KELM）中核函数的选择与参数优化问题上,利用智能优化算法分别优化SVM、KELM中的参数,在给定取值范围内获得了最佳的参数组合,免除了实验中需要反复调整待优化参数的值,同时也节约了大量时间。3)针对卷积神经网络（CNN）中Le Net5模型存在的不收敛、过拟合等问题,提出了一种基于Le Net5模型改进的Le Net5+模型,在卷积核处理、池化层选取、激活函数等方面进行了改进,改进后的Le Net5+模型有效改善了网络的过拟合现象。4)针对卷积神经网络（CNN）中分类器存在计算溢出等不足,将CNN与SVM相结合,构建CNN+SVM混合网络模型,增强了混合模型中的分类性能。综上,手写数字识别是现代化模式识别、智能化应用的一个交叉领域,不但具备着重要的理论价值,还拥有着广阔的应用价值。