伴随着计算机技术的不断发展,信息资源的电子化成为至关重要的问题。数学公式是许多科技文献的重要组成部分,由于手工输入困难,自动输入技术的研究尤为重要。现有的OCR(Optical Character Recognition)技术虽然对中英文字符和数字等符号都能获得较好的识别效果,但是无法正确处理数学公式。其原因在于数学公式具有复杂的二维嵌套结构,并且公式符号含义具有多样性,这使得数学公式在识别和结构分析方面存在很多困难。因此,数学公式识别已经成为OCR领域的一个研究热点。本课题研究的是印刷体文档中的数学公式识别问题。印刷体文档中数学公式识别系统主要包括三个组成部分:公式提取,公式识别和公式结构分析重构。由于字符识别技术相对成熟,本文的主要工作是数学公式的提取和公式的分析与重构。本文对公式提取和公式的分析与重构做了较深入的研究,主要从以下的两个方面进行了改进。首先在公式提取阶段结合数学公式自身的特征,提出了一种基于模糊C-均值算法的印刷体数学公式提取方法。模糊C-均值算法利用数学公式行与一般的文本文字行的行间距、宽高比、行密度的不同,将数学公式行提取出来。通过这种方法可以有效的提高提取数学公式的识别率,改善字符分割的质量,在试验中采用该提取算法取得了较好的效果。其次在公式的分析与重构阶段,利用基准线找到中心点在同一阈值内的字符,根据各个字符之间的位置关系,放在不同的子节点中,构建出初始结构树;然后利用语法和语义知识将结构树转化成以运算符为子节点,操作数为叶子节点的树,最终得到输出结果。