随着科技发展,数字识别技术目前应用到各个领域,如车牌识别、人口录入、金融行业等。使用卷积神经网络对数字进行识别可以有效的提高对数字的识别率,但识别速度和效率亟需进一步优化和提高。以机器学习的神经网络算法为研究背景,深入分析图像识别和机器学习的共性需求,以图片数字识别为研究对象,包括图像识别技术的图像预处理和处理方式,神经网络原理和卷积神经网络,分析卷积神经网络输入层、卷积层、激励层、池化层和全连接层原理和作用,重点关注层级结构连接和搭配,并对现有卷积神经网络LeNet5模型进行简要分析。首先针对数字识别方向选取合适的数据来源,对来源的数据进行清洗和格式化处理,在LeNet5结构上对图像数字的大小格式以及灰度进行处理,其次合理设计LeNet5层级结构,并参数进行设置,对向前向后传播方式进行深入了解,并对梯度下降方式进行选取以及分类层的设计;最后对实验的结果进行横向对比分析,评估本系统的识别准确度和运行时间、效率等性能指标。论文以开源的MNIST数据集为训练和学习样本,设计和开发了实时手写数字识别系统,主要研究工作如下:(1)研究了使用卷积神经网络进行数字的识别。以数字识别问题为主要对象,分析了卷积神经网络的分类算法和应用场景,搭建机器学习环境,以MNIST数据集为测试用例,构建了数字识别系统;(2)以LeNet5卷积神经网络为算法基础,提出了基于GPU进行并行化处理方案,减少卷积神经网络的训练和学习时间;(3)使用MNIST数据集为样本对数字识别构建了基准测试,对卷积神经网络算法数字识别通过自身对比和与其它算法对比进行识别率评估。