货币识别技术广泛应用于银行系统、自动售货系统等领域。货币识别技术是研究货币的显性和隐性特征，建立相应的数学模型，对抽取出的特征信息进行全面识别，实时准确地做出处理的技术。而在货币识别中如何提取高质量的货币特征向量是目前待解决的问题，特别是在具有噪声及灰度不均匀的货币图像中提取出原始的特征信息，是货币识别的关键性步骤。 本课题在对国内外已有的货币识别系统技术分析的基础上，以人民币显性图像为研究对象，对人民币显性图像识别方法进行研究。主要研究内容包括人民币图像显性特征的提取，人民币图像中噪声信息的抑制和显性特征的加强，识别系统中的数学模型的选取和建立以及优化既得的人民币显性特征等方面。文中提出了利用图像灰度线性变换来抑制背景图案噪声的影响，突出图像边缘信息；然后采用简单统计法进行边缘检测，得到边缘特征信息图；最后通过对边缘特征信息图在宽度方向上进行均匀划分成不同的区域，统计不同区域的边缘特征点的数目作为神经网络的初始输入向量，对初始输入向量用随机掩码处理和遗传算法进行优化得到最终输入向量，通过三层BP神经网络分类器进行分类，达到了人民币识别的目的。经过实验测试，对100元新版人民币样本的识别率为100％、50元新版人民币样本的识别率为100％、50元旧版人民币样本的识别率为100％、20元人西安理工大学硕士学位论文民币样本的识别率为100%、10元新版人民币样本的识别率为1加%，取得了较为满意的结果。 实验结果表明针对人民币的识别，选择BP神经网络用于货币分类和遗传算法优化是完全可行的。在神经网络输入向量的提取中，所提出的方法具有简单、运算速度快、特征明显、对不同币值的人民币识别具有较强的鲁棒性等特点。所提取的神经网络输入向量能够体现不同币值图像的特征信息，同时能够抑制噪声点对识别精度的影响。通过对5种不同币值的人民币的识别实验，取得了较为满意的识别精度。