手写体汉字识别在中文自动化处理和智能输入等方面有着广泛的应用前景,但由于手写体汉字具有类别多、结构复杂、相似字多、字形的多样化等特点,使得手写体汉字识别成为相关研究领域中的一个难点与热点。本文主要以离线和在线的孤立手写体汉字样本为研究对象,在对前人的工作进行了认真的学习和总结基础上,做了大量的实验研究,采用深度学习技术进行手写体汉字识别,并得出了一些有用的结论。论文的主要研究内容如下：首先,本文采用卷积神经网络对孤立手写体汉字进行识别,通过一系列对比实验,分析了卷积神经网络在汉字识别任务中的性能,验证了其在手写汉字识别领域的可行性。实验表明,得益于卷积网络强大的特征表达能力,我们能够用非常复杂的深度网络结构对手写体汉字进行建模,同时,其“端到端”的特性也简化了汉字识别的流程。其次,本文对传统的手写体汉字预处理和特征提取方法做了深入的研究,通过人工进行特征提取(方向梯度特征,方向线素特征等),然后再利用卷积网络进行特征学习,获得了比直接使用汉字样本更好的识别率,验证了传统的特征提取方法与卷积神经网络相结合能产生更好的识别效果。再次,针对汉字类别过多所导致的网络参数不易收敛、训练速度慢等问题,本文采用了基于迁移学习的监督式预训练方案。通过预先对小字符集(例如,手写数字库MNIST)进行网络训练,以获取一个比较好的初始化参数,并在此基础上进行大字符集的手写汉字网络训练。实验证明,该种方法能够使卷积网络的参数迅速收敛,同时保证识别率不出现大的浮动。最后,本文在中科院自动化研究所发布的手写汉字数据库CASIA-HWDB和CASIA-OLHWDB上进行了手写体汉字识别实验。实验表明,相比其他方法,利用卷积神经网络对孤立汉字进行识别使单字准确率有了明显的提高。