随着计算机技术的发展，字符识别技术已经逐渐走向成熟，尤其对于印刷体字符的识别，已经达到了较高的识别效果。人民币纸币序列号识别是一个小样本、非线性和高维模式识别问题，它作为纸币鉴伪的重要部分，是当前模式识别领域中的难题之一。　　本文实现了人民币图像预处理和序列号识别，主要研究了统计学习理论中支持向量机的次序最小优化算法，并将其构建的支持向量机用于序列号识别。论文主要内容组织如下：　　1、依据货币识别系统的广泛应用及目前国内外研究现状提出本课题研究的必要性，并对课题研究的目的和意义进行了分析。介绍了人民币图像的基本特征，模式识别的基本理论及本课题所采用的识别系统结构。　　2、介绍统计学习理论的重点内容以及支持向量机算法的主要思想，包括对统计学习理论核心内容的阐述、对支持向量机算法由线性可分情况到一般的非线性情况的推导，对支持向量机的关键思想及其特点的分析以及数学描述。详细讨论了目前主要的几类支持向量机训练算法，分析了二次规划算法，比较分析了几种分解算法的分类性能。介绍本课题所采用的支持向量机算法。　　3、介绍人民币序列号原始数据的采样、预处理及特征提取方法，将支持向量机应用于货币识别。分析了将次序最小优化算法构建的支持向量机用于序列号识别的Matlab仿真实验的结果及结论。与简单的BP神经网络相比，这种支持向量机货币识别方法具有较高的可实现性和识别精度。