手写体数字识别是信息录入的关键步骤，广泛应用于公安、税务、交通、金融等行业的实践活动中。虽然识别方法多种多样，但是目前技术尚不能使识别率达到100％。为了能够将手写体数字识别真正应用到实际工作中，本文除了在手写体识别算法的识别率提高上下功夫之外，还设计了一个基于手写体数字识别的信息录入与处理系统。手写体数字识别的主要难点在于手写体数字字形小，特征信息量少，不同的人群书写习惯不同造成数字的形态千变万化；在某些应用中对于单字识别来说，手写体数字的正确识别要比其他字符严格得多。在对手写体数字识别技术做了充分比较后，本文选择了BP神经网络算法作为识别算法。BP网络实质上实现了一个从输入到输出的映射，理论上它具有实现任何复杂的非线性映射的能力，适合于求解内部机制复杂的问题。BP神经网络的识别效果还依赖于训练神经网络样本集合的质量。为了获得识别率高、误识率低的分类神经网络，本文采集了不同人群中的5万余个有代表性的手写体数字图像作为训练、测试样本。有了这些样本以后，我们对样本图像作了二值化、去噪声、纠偏、细化、定位分割、尺寸归一化等一系列处理，经过这些处理后的单个字符图像被离散成神经网络的输入样本。将样本划分为训练集和测试集，对神经网络进行训练，所得到的神经网络能够达到较满意识别效果。其中，我在处理数字样本的时候发现，某些样本是对神经网络有害的‘坏’样本，在研究中我尝试将这些坏样本‘剔除’以后发现神经网络的识别率和拒识率有所提高、误识率明显下降。将手写体数字识别技术投入实际应用中是我们的最终目标，为此本文设计了一个基于手写体数字识别的信息录入与处理系统，此系统可以混合处理照片、文字(仅保存图像)、OMR以及手写体数字，本文仅重点研究及介绍其中的手写体数字识别模块。系统使用扫描仪将信息卡内容扫描到计算机中以后，程序对手写体数字图像进行二值化、去噪声等预处理，然后形成神经网络分类模型的输入，并由神经网络进行识别。识别后的结果会显示在计算机终端上，并由操作人员对拒识字符进行处理。考虑到识别算法可能有误识别的情况，本文设计了一种批量校对的方法来处理可能发生的误识。经过测试，BP神经网络手写体数字识别算法识别率可达到96.8％以上、拒识率小于2.7％、误识率小于0.5％；在实际系统应用中，批量手写体数字校对方式可以成倍提高误识校正的速度，熟练操作者的处理速度可以达到100字符／秒甚至更高，经过人工干预后，最终误识率小于万分之一。本文主要贡献如下：(1)实现了BP神经网络的训练和识别算法，并在实际工作中得到应用。(2)发现了‘坏’样本对BP网络识别效果的影响，给出了‘坏’样本的判定方法。(3)设计实现了识别结果的批量校对软件，提高了误识字符校对的效率。在以后的工作中，我还会在快速神经网络算法、神经网络集成和图像预处理等技术上多下功夫，争取为神经网络和手写体数字识别的应用和推广做出贡献。