汉字识别的研究是模式识别中的一个热门课题,并已在实践中取得了相对成功的应用。本文主要探究脱机状态下对手写体汉字的识别,根据汉字识别流程的特性,创建了基于BP神经网络的汉字手写体脱机识别模型,并通过训练和测试验证其可行性。首先,选取手写体汉字样本图像对其开始预处理。其次,在特征提取流程对处理后的数字图像提取特征矢量。基于神经网络的自适应、自学习、容错能力强等优点,后期设计了随机样本数据的分类识别模型。并对此模型进行了改进,从而提高了脱机手写体汉字的识别率,优化了汉字分类识别流程。本文主要包括以下几个方面:1.概述了脱机手写体汉字识别的基本过程,以及各过程运用的基本算法。整体过程主要有图像的获取、图像的预处理、特征提取、识别分类模型的构建。本文研究的样本图像源自SCUT-IRACHCCLIB样本库。本文图像的预处理主要分为二值化、平滑去噪、字符分割、归一化、细化五个流程。二值化消除手写体字符笔画中的空白点,经处理后的字符笔画基本上保留了原字符的基本特征;平滑去噪去除了二值化图像中孤立的噪声黑点;字符分割把图像分出单个汉字便于仿真训练识别;归一化处理调整单个汉字尺寸和位置的变化;细化处理去除汉字的边缘轮廓,只保留最基本的形状信息。特征提取过程选用网格方向统计特征法,提取的特征矢量作为输入,用于分类和识别模型的仿真验证。之后基于BP神经网络设计了识别分类模型。2.针对汉字识别与分类的过程,本文详述了 BP算法和PSO算法各自的原理、实现及特性。基于BP神经网络对手写体汉字识别分类时,由于BP算法是一种局部的寻优算法,在网络的训练阶段易陷入局部极小点,且收敛速度慢,导致了分类器识别率的降低。针对上述问题,本文提出了 PSO优化BP神经网络(PSO-BPNN)的算法,建立了基于此算法的汉字手写体脱机分类识别模型。3.将数据库中的样本图像用于训练测试上述PSO-BPNN算法的有效性,本文所选择的仿真平台是Matlab。首先选用一定量的样本图像,经过预处理和特征提取之后用于训练汉字识别分类模型,然后将剩下的样本图像用于该模型的测试验证。其次,对大量样本图像进行训练仿真,并将原始BP算法和PSO-BPNN算法的识别效果进行比较,验证表明优化后的分类模型具有较高的预测精度和识别能力。