在模式识别中,手写数字识别技术是不可或缺的重要组成部分,其应用的前景非常广泛,对其研究发展有着十分重要的意义。在财政报表、邮政自动分拣、金融数字统计、试卷成绩统计等领域,手写数字自动录入系统都可被广泛应用。在信息化高速发展、自动化产品随处可见的当下社会背景下,手写数字识别的产品的研究与开发便变得十分迫切,高效率高精度的手写数字识别系统的研发有着重要的前景和意义。在网络信息技术高速发展的大背景下,深度学习逐渐成为一个热门的课题,其中循环神经网络在语音识别领域、卷积神经网络在计算机视觉领域取得了突破性的发展。手写数字识别系统往往被设计在传统PC机上,这便带来了成本高、携带不方便、功耗大等诸多问题,如果将手写数字系统移植到了ARM平台上,这些问题将得到很好的解决。本文主要对独立循环神经网络和改进后的卷积神经网络构建手写数字模型以及在ARM平台上设计手写数字识别系统进行了研究,主要工作如下:首先,传统循环神经网络因为在时间上参数共享,所以会出现梯度消失和梯度爆炸的问题。本文采用多层独立循环神经网络构建手写数字识别模型,其使用Relu等非饱和激活函数,解决传统的循环神经网络的梯度消失和梯度爆炸问题。本文采用的算法在MNIST数据集上取得了不错的识别率。其次,本文对卷积神经网络LeNet-5模型进行了改进来构建手写数字模型。为了提高网络的泛化能力和识别率并且避免过拟合,在每个卷积和池化层后添加一个Dropout层来构造网络结构;为了解决LeNet-5模型训练识别出现的不收敛,提高收敛速度,采用Relu激活函数来代替常用的Sigmoid激活函数。最后,针对传统PC机成本高,携带不便等问题,本文将手写数字识别系统设计在ARM平台上。通过ARM平台自带的摄像头拍摄手写数字,将拍摄设的手写数字进行图像预处理,并且将训练好的手写数字识别模型移植到ARM平台上,最终通过模型识别得到结果。