这篇文章主要研究了在人工神经网络里面较为典型的两个网络—BP网络和Hopfield网络。对两者的分类识别能力进行了深入的研究，对比了两个网络在分类方面的优缺点。并对BP网络在对手写体识别方面进行改进，提高了分类识别能力。又研究了手写体图片的特征提取，用BP网络对其效果进行测试，测试结果也很令人满意。神经网络可以进行模式识别，这一功能非常具有实用价值。本文中研究了BP网络和离散Hopfield网络的识别能力。就数字、字母、手写体数字比较了BP网络和离散Hopfield网络的识别能力，得到噪声在一定范围内，离散Hopfield网络的识别效果要好一些；当噪声超过这个范围，误差就会迅速增加，BP网络的识别结果反而要好一些。进一步，本文对手写体数字的识别问题进行了讨论，提出一种基于BP神经网络的识别方法，从而提高了识别效率。主要就在识别时，数字在图片上的位置和数字本身大小方面做了改进。我们发现，数字在图片上的大小和其在图片上的位置直接影响识别效果。本文具体做的是，首先提取了图片的轮廓，然后归一化成28X28的图像。这样做，不仅使得图像数字区域大小相同，而且都在图像中心上，使得识别结果变的更加理想化，达到了高识别的目的。另外，本文选择了容错性较好的BP网络，以200组手写体数字图像作为输入向量，以其他的110组进行识别，效率达到了90%以上.。本文还做了BP网络对手写体识别的另一个改进。随着计算机网络的发展，越来越多的电子产品会用到手写输入。因此，对这些手写图片的识别变得越来越重要。而BP网络在做一方面的研究时，有一定的优势。文章提取了图像的7个不变矩（Hu矩）特征、均值、方差以及图像的字符势能，用这些字符特征来对图像进行识别。识别的准确率在80%以上。