1．目的及意义
近些年，字符识别已经开始成为模式识别领域一个非常重要的分支，因为字符识别的应用十分广泛，例如签字、财务数据、实验数据等，这些场合的字符识别如果出现错误，将会出现严重的后果。

字符识别的基本思想是匹配识别，抽取未知字符的各种特征，与预先存储在机器中的标准字符形式进行匹配，用一定的规则判别，判别的结果就是识别结果。字符识别的发展可以分为三个阶段，第一阶段是用一维图像的处理方式进行二维图像的识别，第二阶段主要进行基础的理论研究，第三阶段则主要是将理论与实际相结合。手写英文字符识别相对于中文字符识别来讲较为简单，主要是因为中文字符结构复杂，英文字符则只有26个字母，所以识别起来相对简单。

深度学习的概念最早由神经网络之父Geoffrey Hinton等人在2006和2007年于《科学》杂志上发表，深度学习最初指的是深度神经网络，随着深度神经网络层数的增多，就具备了很多原非深度网络所不具有的学习能力，就显得更为“智能”。深度学习目前是机器学习领域一种很重要的方法，在图像识别、字符识别、语音识别中有着非常广泛的应用。且取得了很好的效果，因此我选择了深度学习的方法来完成手写英文识别字符的设计。

字符识别也越来越受到人的关注，由于每个人的笔触不同，写出字的形状也千奇百怪，如有些人写的草书，人用肉眼都不一定能分辨出字符，更别提用计算机来分辨了，让计算机正确识别手写的字符存在很大的困难。随着深度学习的广泛应用，深度卷积神经网络在手写字符识别领域展示了出色的能力，具有其他分类检测算法无法达到的优秀特性，并取得了很理想的效果，有效提高了识别率。本文通过设计基于深度学习的手写字符识别算法，将可以提高字符识别的应用范围。

深度学习是目前的热门研究方向，国外有很多基于深度学习的应用，国内对于深度学习的研究也正如火如荼的进行，如百度的无人驾驶汽车等，我国在深度学习领域已处于世界先进水平。手写字符识别是目前模式识别领域一个非常重要的分支，早期针对手写字符识别，很多研究人员提出了很多分类方法，如K-近邻分类方法，SVM分类方法等，字符识别取得了很多成就，但由于每个人写的字都有很大区别，所以要准确识别手写字符还是有很大困难。

{title}

2. 研究的基本内容与方案

{title}

研究的基本内容

研究深度卷积神经网络中的训练算法，包括前向传播，反向传播以及梯度下降法。研究不同层数的深度卷积神经网络结构对英文手写字符识别的影响，力求提高手写英文字符识别率。

研究的目标

实现基于深度学习的手写英文字母识别算法程序设计，能初步实现字符图像处理及深度网络构建，实现离线手写英文字母分类。利用深度学习的原理进行手写英文字符识别，将大大提高识别效率。

拟采用的技术方案及措施

在获取到字符图像后，由于其中含有无用的附加信息和干扰，所以不能直接使用，需要对字符图像进行一定的处理，突出有用信息。本次设计的环境为Windows7系统，所需要的英文字符图像从网上及自己手写来获得。具体的要进行的工作如下：