手写字符识别作为模式识别领域的一个重要应用,在当今社会非常活跃。并且对计算机理论,语音识别,指纹识别及人工智能等均有影响。由于当今社会信息化的迅速发展,光学字符识别作为一种重要的信息录入和转化手段,对字符识别的研究具有重大的意义。手写数字识别作为字符识别的一种也得到了广泛的应用(如银行票据,数据报表,信件的分拣等等)。因此,字符识别技术的研究成功并投入使用,促进了经济和社会的发展。字符识别主要有以下几种方法：模板匹配法,统计决策法,句法结构法,直接逻辑法等。但无论采取哪种识别方法,按照使用特征的不同,大体可分为两大类：1.统计特征：点密度,矩,特征区域等(主要是整体特征)；2.结构特征：圈,端点,交叉点,笔画,轮廓等(主要是细节特征)。为了能更好的解决识别的准确性,在识别过程中人们通常把统计特征和结构特征相结合。由于问题的特殊性,传统的字符识别方法已经不能解决这个问题。考虑到神经网络高度的并行性,较强的非线性映射能力和高度冗余的特点,本文采用BP神经网络进行手写数字识别。神经网络的特殊结构使得信息的表达、存储、及处理过程都与传统的方法大为不同。但是由于BP网络的缺陷,本文对其进行了一些改进,使其更加适合处理利用弹性网格提取的手写体数字特征。利用弹性网格所得到的数字特征具有综合的统计和结构特征,虽然,数据量可能有所增加,但是获取特征的方法得以简化,并且特征值的质量得以提升。同时由于神经网络具有很高的自适应能力和抗干扰性能,这就使得其对综合的结构与统计特征的处理成为可能,这就在一定程度上提高了网络的效率和识别率。本文介绍了改进的BP神经网络的建立,学习和仿真的实现方法。并在MATLAB7.0平台利用获得的特征值对改进后的BP网络进行学习,网络的训练和学习速率得到极大的提高,然后,对采集的待识别的数字样本在该网络中进行识别,测试表明网络的识别率得到了提高。在此基础上,编写相应的C程序,完成手写数字识别在触摸屏及S3C2410处理器等硬件上的设计与实现。