一、文 献 综 述 （一）研究背景 模式识别是用计算机来识别自然界各种模式(例如声音、指纹、虹膜、字符)的科学,是随着人工智能的发展而逐步被人们所重视的一门新的学问。

手写数字识别是模式识别的一个分支,在文件自动处理过程中,手写体字符的识别是非常重要的。

手写体数字识别主要应用在各种数字信息的自动化采集过程中,如对邮政编码、财务报表、银行票据、各种凭证以及调查表格的识别等等。

手写体字符的识别是字符识别领域内最具挑战性的课题。

现有的识别方法很多,例如基于模板匹配或结构特征的方法、使用模糊推理的方法、基于矩和变换的方法、基于神经网络的方法等等。

20世纪70年代,由Vapnik等人提出的统计学习理论为研究有限样本,尤其是小样本情况下的机器学习问题提供了有力的理论依据。

90年代初,在这一理论基础之上,Vapnik等人又提出了”支持向量机”(SupportVectorMachine,简称SVM)这一新的通用机器学习方法。

支持向量机一个最大的优点,就是在小样本情况下依然可以保持很好的推广泛化能力,这是传统的机器学习方法所不具备的。

近年来它已被广泛地应用于各个研究领域。

本文尝试基于支持向量机进行手写体数字识别,讨论相关的特征提取、样本预处理、参数选择和性能评价等方面的问题,给出相应的解决方案,指出需要进一步改进的地方。