印刷体维吾尔文字符识别是我国文字识别领域重要的研究方向之一,基于统计机器学习方法的印刷体维吾尔文字符识别技术需要人工提取特征,特征主要包括:八方向码特征、梯度特征、直方图特征、宽高比特征、字符模板特征等,这种人工提取特征的方法会损失字符图像的特征信息,而基于深度学习方法的卷积神经网络可以通过卷积层自动对字符图像进行特征提取,随着模型的训练,能够不断优化提取特征的过程,使卷积层提取的特征能够更好的表征字符图像,从而达到很高的识别率,因此本文提出运用卷积神经网络对印刷体维吾尔文字符进行识别。由于卷积神经网络模型的设定没有定性依据,为了验证卷积层数量对于字符识别模型的影响,本文对一层卷积、两层卷积、三层卷积和四层卷积的模型分别进行实验,通过对比得出具有四层卷积层的卷积神经网络提取到的特征能够很好的表征字符图像。同时对不同学习率条件下的模型进行对比实验,发现对于分类数量较少的模型来说,学习率过大容易造成模型产生梯度爆炸,导致模型无法学习到字符特征,小的学习率反而会得到更好的训练效果。在实验环境下,基于卷积神经网络的印刷体维吾尔文字符识别模型在4.9万条字符的测试数据集上,识别准确率能够达到99.63%。