摘要：基于深度学习卷积神经网络在手写体数字识别中的应用，对卷积神经网络的结构进行介绍，同时使用MNIST数据集对设计的卷积神经网络模型进行训练与测试，训练后的模型在MNIST的测试集样本中的识别精度可以达到99.25%。最终将训练好的模型用于在线手写体数字的识别，识别精度高达99%以上。实验结果表明，与传统的线性回归模型相比，卷积神经网络有更好的鲁棒性和抗干扰性，识别精度明显优于传统的线性回归模型。

关键词：卷积神经网络;MNIST;手写数字识;线性回归;深度学习

中图分类号：TP311文献标识码：A

文章编号：1009-3044（2020）21-0013-03

开放科学（资源服务）标识码（OSID）：

目前，由于手写数字的应用范围广泛，例如邮政编码手写体、智能手机的手写输入法等，使得手写数字识别研究成了深度学习的研究热点之一。手写数字识别研究的内容是让计算机准确、高效地识别人随机手写的数字，但由于不同人的书写方式千差万别，书写的大小与角度也不尽相同，进而增加了对手写数字识别的难度，因此传统线性回归模型不能正确精准地对手写体数字进行识别[1]。

在此背景下.由于卷积神经网络结构的不断优化以及计算机性能的不断提升，使得卷积神经网络在图像识别领域取得了重大的突破。卷积神经网络中可以将图像的每一个像素均看成一个特征，直接将手写数字图像作为卷积神经网络模型的输入并自动进行特征提取，再根据提取后的特征进行分类识别[2]，不仅克服了传统方法中需要对图像实时预处理的弊端，还提高了对手写数字的识别精度。……