国内对字符识别技术的研究至今大约有三十多年的历史，大致能够分为以下三个阶段。探索阶段：70年代初，国内有少数学者开始了字符的识别研究，期间发表了为数不多的论文，完成了少量识别软件的研发。系统研制阶段：1986年至1988年，国内字符识别技术突飞猛进，识别速率和准确度都有了很大的提高，但是这期间研发的识别软件对印刷字符形状变化的适应性和稳定性较差。实用化阶段：在政府政策的支持和市场的驱动下，我国现在已经具备五个较为完善的字符识别系统，并推广到各地使用。系统的识别速率和正确程度都已达到一定标准，其技术水平几乎媲美世界最高水平。
手写体数字识别作为当前的研究热点，很多学者对识别方法进行了探索和研究，提出了许多行之有效的分类方法。McCulloch W和Pitts W提出的人工神经网络（ANN）[2-3]、Vapnik和Chervonenkis提出的支持向量机（SVM）[4-5]、Freuch和Schapire提出的Adaboosting算法[6]等，为模式识别注入了新的活力，为其后期的发展奠定了基础。25325
人工神经网络（ANN）与传统的模式识别方法最大的不同之处在于它能够模拟人的自然神经系统对字符进行识别，拥有自动学习和记忆的功能。人工神经网络可以看成是从输入空间到输出空间的一个非线性映射，它通过调整权值来“学习”或发现变量之间的关系,从而实现分类，由于神经网络是一种对数据分布无任何要求的非线性技术,它能有效地解决非正态分布、非线性问题[7]。人工神经网络自适应性强，对于样本缺损、畸变等情况，具有一定的容错能力和较高的分辨率，因此具有较为宽泛的应用前景。特别是20世纪80年代，Rumelhart DE和McClelland JL提出的反向传播（BP）算法，为人工神经网络注入了新的活力，使其应用得到进一步推广。论文网
支持向量机（SVM）也是近年来模式识别领域的一个热点问题。它利用核函数的方法巧妙的实现了复杂的非线性变换，将初始特征的非线性问题转换成线性问题。同时，支持向量机中最大分类间隔的准则，保证了其良好的推广能力。支持向量机在人脸识别，数字识别等领域的应用，充分体现了其与传统识别方法相比所具有的显著优势。它能够在样本数量相对较少且特征文数较高的情况下，具有较好的识别精度，并且具有良好的识别速率。因此，支持向量机作为一种新颖的识别方法备受人们关注。
Adaboosting算法的基本思想是：找出若干个精度比随机预测略高的弱规则对训练集进行训练，训练结束后,按照训练的分类结果更新训练样本的权值分布,使得本轮训练被错分的样本,在下一轮训练中得到更多的关注，训练多次后得到权重[8]。在实际应用中，研究者发现对于一些模型简单但是分类性能较差的弱分类器，使用Adaboosting算法可以明显改善分类效果，得到高精度的强分类器。另外，很多情况下，若采用的弱分类器较多，Adaboosting算法也不会产生严重的过学习问题。 字符识别技术国内外研究现状:http://www.youerw.com/yanjiu/lunwen_19040.html