在计算机极为智能的今天，让计算机来帮助人们快速、正确地识别数字早已成为一种潮流。计算机在识别一些书写规范、大小固定、甚至是打印体的数字字符时，只需要按照用户给定的具体模板来匹配待识别的字符即可，计算机对这种有规则的字符识别率相当高，再加上计算机超强的运算能力，因此具有人脑无法比拟的识别速率。然而，现实生活中需要自动识别的数字字符，绝大部分是手写体，它们或大或小，或正或歪，有的甚至还简写、变形、连笔，并且它们往往并不独立存在，而是排列成一串，因此，当计算机面对这些成串的不规则手写字符时，无法找到一个具体的模板来比对，此时计算机就显得无能为力了。反观人类大脑，其具有超强的综合、分析、判断、记忆的能力，可以很容易地识别出各种不规则的手写数字。因此，模拟人脑活动的人工神经网络智能算法在手写数字识别领域得到了广泛的应用。其中，本课题即采用了效率较为突出的BP（BackPropagation，误差反向传播）神经网络模型来进行样本的训练。本论文简要的介绍了人工神经网络的发展历程，重点介绍了目前应用最为广泛的BP神经网络的原理，并给出了详细的BP网络算法推导过程。在系统实现模块，详细地介绍了系统图像预处理阶段的处理流程，对图像去噪、字符倾斜度调整、图像分割、字符归一化、字符紧缩重排所采用的算法进行了伪代码描述。在系统效率分析模块，本文将系统多次测试的结果采用的图表的方式进行列举，详细地分析了BP神经网络各个因子对系统识别率的影响力大小，详细地分析了原因，并给出了提高识别率的方案。本系统的样本数据是500个不规则手写体数字，呈串状排列。测试数据为100个手写体数字。经过网络训练后，经测试，系统识别率可以达到90%以上，证明了本系统具有高效、识别率高的优点，具备较高的实用价值。