手写体数字的识别是光学字符识别的一个重要的组成部分,在实际生活中有着广泛的应用。手写体数字的识别又分为脱机和联机两种类型,其中联机的手写体数字的识别的算法已经非常成熟,并且联机的识别率也达到了一个很高的程度,得到了广泛的应用,但是脱机的手写体数字的识别在算法上还有待改进,脱机手写体数字的识别率也不算高,这是由脱机手写体数字本身的特点所决定的,因为脱机手写体数字在书写时缺少了笔画的动态信息,并且书写的风格各异,因此在识别过程中有很大的难度,误识率也很高。但是,脱机手写体数字的识别在一些特殊的场合有着不可替代的作用,比如邮政信件的分拣中的邮政编码的识别,银行支票中手写体数字的识别。同时由于在现实生活中一般脱机手写体数字需要处理的数字信息量比较大,因此对数据的处理速度也有着很高的要求,脱机的手写体数字识别的研究有着重要的现实意义。通过近几十年的研究,人工神经网络技术已经越来越成熟,在各种模式识别和信号处理等领域扮演着重要的角色,并且取得了不错的效果。本课题就是利用人工神经网络实现对脱机手写体数字的识别。本文首先在第一章对手写体数字的研究现状、研究意义进行了介绍和说明,并介绍了一些脱机手写体数字的传统识别方法,最后给出了本文所要展开的研究工作。其次在第二章节中对脱机手写体数字图像进行了灰度化、二值化、细化等预处理,详细说明了二值化、细化的各种算法,利用整体阈值法处理手写体数字的图像,并对算法进行了一定的改进。在提取图像的特征向量的时候,我们首先介绍了几种常用的特征提取方法,着重介绍了本文所要使用的小波变换法,并利用处理好的手写体数字的图像,用小波变换提取特征向量。接着我采用MNIST手写体数字数据库,建立Hopfield神经网络的模型,设置网络的连接权,保留了神经网络的模型,采用一组样本对脱机手写体数字进行识别测试。最后使用Matlab进行实验仿真,对仿真结果进行分析比较,表明：与传统的一般的BP神经网络相比,小波变化和Hopfield相结合的方法能够达到一个较好的识别率,识别率为83%。