脱机手写体汉字识别在模式识别的应用领域内是非常重要的分支,同时其也是计算机智能接口实现过程中的关键性技术。由于脱机手写体汉字类别庞大、字体结构复杂、相似汉字多、书写随意性大以及书写风格差异强等特点,其在模式识别领域中始终得到广泛的关注与研究,是众多学者研究的热点与难点。随着深度学习在机器学习领域中逐渐并快速发展,同时在模式识别部分方面也已取得了优秀的识别性能。深度学习中卷积神经网络的优势在于其可以自动获取学习样本的特征,能够避免手写汉字特征提取的难题,但其在训练样本时较为困难。本文结合卷积神经网络在脱机手写体汉字识别系统进行了相关的研究,针对训练样本困难问题进行了优化与改进,论文主要研究工作为:（1）通过研究和分析学习脱机手写汉字识别的相关技术与卷积神经网络的理论,验证了卷积神经网络在脱机手写汉字识别过程中的可行性;（2）通过HCL2000与CSAIA-HWDB两类型脱机手写体汉字数据库的比较,并对系统的硬件部分进行GPU架构设计,实现了GPU、CPU与SSD硬盘三者之间的数据信息交互的过程,结合Caffe软件平台的设计,实现了基于卷积神经网络的脱机手写汉字识别系统;（3）在实现的脱机手写汉字识别系统中,通过对卷积神经网络的结构优化,本文从卷积神经网络的激活函数、Dropout方法以及数据样本图像的弹性形变等方面提出四种改进的网络模型,并通过相应的实验研究表明,改进后的CNN₄卷积神经网络在脱机手写汉字识别过程中,其汉字识别准确率上提升了2.5%。由实验研究发现,本文改进后的卷积神经网络在脱机手写识别过程中,提升了网络模型的泛化能力、收敛速度以及识别准确率。