不管是在哪一个领域中，手写数字识别技术的准确性都是至关重要的。就目前而言，世界上现有的各个领域都对其识别的准确性提出了极其严格的要求。比如在金融行业，一旦工作中任何一个数字出现了差错，就会造成无法估量的损失，也许这个损失会很小就是几元钱，甚至也会大至千万；同时对于一些大容量数据来讲，人们希望它的运行速度越快越好，所以识别速度也是后面研究的一个关键考虑因素和发展方向。不同的是，写作风格也非常不同，即使背景干扰也很强烈，尽管模式识别和人工智能已经有60多年的历史了，但是想要电脑能够像人一样容易识别手写体这是一项艰巨的任务。因此，研究手写数字的高效精确识别算法也非常困难，这是一个非常具有挑战性的问题。

数字识别的广泛应用，使得手写数字识别技术成为当前信息技术的热门研究课题，但同时也是一个研究难点，也具有重要的理论价值。首先，不同数字之间字体大小的差异使得难以准确区分某些数字。其次，虽然只有0-9十种类型的数字，笔画也很简单，但相同的数字书写方法差异很大，而且同一个人的写法也有工整和连笔之说。来自世界各地的人们都使用，他们的写法具有明显的地域特征这对数字识别系统提出了更高的要求。第三，笔迹的随机性非常高。厚度、笔划角度、扭曲字体和非标准笔划都会影响识别结果。在实际应用中，通常识别系统要求误码率非常低，这使得手写数字的识别技术难以实现。

基于人体大脑识字的工作原理，还没有解开，传统识别方法只能暂时处在一般模式识别的状态。传统识别方法不能模拟人脑从整体到局部的识别方法，也不能很好的利用已经获取的知识来识别。随着技术的不断革新，信息处理技术与数学研究发展同步进行，已经取得了显著的进步与成效，人工神经网络已经渗入到手写数字识别的研究中，为数字识别的研究注入了新的活力[2]。

简单的来讲，人们在模拟人类大脑认字的过程，也就是在探索和构建人工神经网络模型的过程，我们构建出的神经网络实际上就是大脑的一个局部模型。通过不断地尝试和改进，最终构建出的模型是用一种高速串行模拟低速并行的系统，为后期的手写数字识别技术提供了理论和思路。国内外的一些尝试已经显示出其在手写体数字识别成功方面的出色表现，显示了其在手写数字识别方面取得成功的潜力。

现在手写数字识别的研究，算法有以下两个主要的方向：一个是寻找新的识别算法，另外一个是用已有的算法进行整合研究。通过整合不同的简单分类器（模型），可充分利用各自优点的优势，实现整体更高水平。

经过多年孜孜不倦的研究，在各种理论和实验的基础之下研究人员提出了很多种数字识别的方法。在以上这些方法之中，人们根据其使用的特点的不同最终将其分为三种即逐像素提取识别、基于统计特征识别以及基于结构特征识别。

统计特征主要有测量手写数字的密度、划分区域的密度这两大类[3]。统计最主要的思想方法就是对样本进行划分区域像素的个数进行统计，提取特征，然后将特征向量输入给分类器进行训练学习。这个方法主要适用于一些提取过程中比较容易区分的，对于一些不好区分的则可以采用其他提取办法。

结构特征主要是测量端点、笔画走向、交叉点以及字符轮廓，很容易受到外界一些因素的影响，例如断笔、粘连等客观因素。结构的方法就是根据测量的数字轮廓和骨架布局，以及要识别的数字之间互斥的特点来进行识别。结构方法就是指将一个比较复杂的数字识别划分成很多个几个比较简单的部分之后再进行识别，然后再通过对简单的单个部分识别来完成最终的对复杂的数字识别，这其实就是一个化繁为简的过程[4]。 手写数字识别研究的发展及研究现状:http://www.chuibin.com/yanjiu/lunwen_206215.html