文字是人类交流的工具,在我们日常生活的各行各业都广泛存在。随着互联网和信息化时代的到来,各行各业都迫切需要对字符完成自动化地识别。本文选取其中两个典型场景:电子制造行业中电子芯片英文字母与数字识别以及中国象棋机器人中象棋棋子汉字识别进行研究,为字符识别的全场景全种类识别算法进行探索。针对芯片的英文字母和数字识别提出了一种基于像素差分的模板匹配识别方法;针对象棋棋子汉字字符提出了一种基于目标轮廓与骨架特征的机器学习识别方法;并针对英文字母和数字中存在的相似字符,造成的芯片整体识别率较低的问题,提出了一种模板匹配和机器学习的融合算法。本文工作如下:(1)针对电子芯片的英文字母和数字识别问题,提出了一种基于像素差分的模板匹配识别方法。首先,使用直方图均衡化提升图像对比度,并利用Hough圆检测对芯片进行中线定位。然后通过先验知识,提取芯片字符ROI识别区域。针对缺陷字符的分割难题,提出一种结合字符几何特征的分割方法。针对分割后字符大小不一且定位不准的问题,利用字符最小外接圆进行归一化与重定位。最后对字符进行基于像素差分的模板匹配识别。实验结果对比了他人的基于BP的芯片字符识别方法,本方法实验中单字符平均识别时间为4.63ms,识别准确率为99.42%,实现了电子芯片中单个字符的快速准确识别。(2)针对象棋棋子的汉字识别问题,提出了一种基于目标轮廓与骨架特征的机器学习识别方法。首先,利用Hough圆检测进行粗定位以及颜色识别、ROI区域分割、均值二值化等预处理。针对粗定位精度不高的问题,利用字符最小外接圆进行二次重定位。随后,提取字符图像的外轮廓图与内骨架图,对两图提取Hu矩值作为特征向量。最后送入RBF核函数的SVM分类器中进行分类识别。实验结果与他人CNN棋子字符识别方法对比,本方法实验中单棋子平均识别时间为20.42ms,识别准确率达99.92%,实现了象棋棋子的快速准确识别。(3)最后,针对英文字母和数字中存在的相似字符,造成的芯片整体识别率较低(为94.5%)的问题,提出了一种模板匹配和机器学习的融合算法。以像素差分的模板匹配为主进行一次识别,以SVM分类器为辅对相似字符进行二次识别。实验验证,本方法对芯片整体的平均识别时间:166ms,识别率达98%,从而实现芯片的快速识别的同时保证高准确率。本文以电子制造行业中芯片的英文字母与数字字符识别以及中国象棋机器人中棋子的汉字字符识别这两个场景进行研究。针对芯片的英文字母和数字识别提出了一种基于像素差分的模板匹配识别方法;针对象棋棋子汉字字符提出了一种基于目标轮廓与骨架特征的机器学习识别方法;并针对英文字母和数字中存在的相似字符,造成的芯片整体识别率较低的问题,提出了一种模板匹配和机器学习的融合算法。