脱机手写体汉字识别是模式识别中较为重要的一项研究领域。由于汉字类别庞大,相似字符较多,加上书写者笔画的随意性,使得脱机手写体汉字识别在模式识别领域中具有极大的挑战性。近几年来,深度学习已经在字符识别、图像分类、目标跟踪检测等众多领域取得了突破性的进展,甚至完全取代了传统的模式识别方法。因此,本文使用了深度学习的方法对中国科学院自动化研究所(CASIA)提供的3755种脱机手写体汉字进行了识别研究。本文主要研究内容有:1、对原始数据集进行解析,并对解析出的字符图像进行了归一化处理。2、使用了长短期记忆网络(LSTM)、双向长短期记忆网络(Bi-LSTM)和VGG16对脱机手写体汉字进行了初步的识别研究。3、接着采用了卷积神经网络(CNN)和循环神经网络(RNN)相结合的网络结构CRNN(即先使用卷积神经网络对字符图像进行特征提取,然后将CNN提取的特征作为循环神经网络Bi-LSTM的输入)对该数据集进行了进一步识别研究,与前三种经典神经网络的实验结果相比识别率有很大的提高。4、根据所识别的字符特征反复搭建了适用于该数据集的卷积神经网络HCCR-Net,并得到了令人满意的结果。5、在前面研究的基础之上,使用了集成学习法(投票法)对Bi-LSTM、CRNN和HCCR-Net这三个已经训练好的网络模型在测试集上进行了投票预测。对于加权投票法的权值确定,本文提出了使用层次分析法(AHP)的思想并结合网络模型的一些常用评价指标对各网络模型进行了合理的权值确定。最后,本文对所有网络的测试结果进行了综合分析,LSTM、Bi-LSTM、VGG16、CRNN及HCCR-Net在CASIA-HWDB1.1数据集上的识别率分别为78.06%、85.25%、87.62%、92.67%和94.58%。而基于类标记和类概率的相对多数投票法的识别结果分别为94.82%和95.41%;基于类标记和类概率的加权投票法的识别结果分别为96.06%和96.33%,与前面几个单独网络模型的实验结果相比均有很大的提高。