低分辨率的、退化的、图像信息不全的汉字识别问题正成为当前字符识别领域里的研究热点,也是影响汉字识别技术进一步推广的一大障碍.对于一个能够实际应用的识别系统,应该具有抗干扰、高鲁棒性的特点,该文研究的目的在于寻求一种鲁棒性强的汉字识别方法,用于解决低质量字符图像这样的识别问题.该文的主要成果在于提出了一种用于汉字识别的Gabor小波特征.Gabor变换具有优秀的时频局域性和方向选择性,对应于字符图像即是对汉字笔划的宽度选择和方向选择.该文利用Gabor滤波器的方向旋转和尺度伸缩构造出一组Gabor小波,针对汉字笔划具有的局域性(笔划宽度集中在多个统计峰值)和方向性(笔划具有多个方向)的特点,提出了一种用于汉字识别的多通道Gabor小波变换,通过对字符图像的多通道分解,获得多个频带多个方向上的汉字子图像,并在各个子图像上分别统计网格特征,从而实现了一种空域/频域结合的特征提取方法.与通常的小波变换(频率分解)不同的是该方法可以获得汉字笔划的结构信息,并利用汉字图像的统计信息来设计小波参数,通道中的中心频率以笔划实际宽度为准,使采样带宽部分重叠,在笔划宽度集中处重复采样,突出了所需的特征信息.在方向线素特征和Gabor小波特征的基础上,该文实现了一个基于神经网络分类器的金融汉字识别系统,并成功应用.利用最小距离分类器将Gabor小波特征推广到一级汉字字域,成功实现在一级汉字内对手写体和印刷体汉字的识别,尤其对低分辨率汉字图像性能优异.该文以低分辨率的汉字图像识别为主要的研究对象,给出一整套的解决方案,包括预处理、特征提取和分类器设计,并可以实现灰度图像和二值图像的两种类型识别.实验结果验证了该文方法的有效性,在解决低分辨率汉字图像识别方面,其性能优于已有的方法.