宗春梅 张月琴 石 丁

（1.忻州师范学院计算机科学与技术系 忻州 034000）（2.太原理工大学计算机科学与技术学院 太原 030024）

1 引言

手写数字识别在现实生活中发挥着越来越重要的作用，从邮政快递的普通信息单，到金融财务领域的数据统计，手写数字识别都有着非常广泛的应用。如何将手写数字识别率进行提升并很好地应用于实际服务环节，是现阶段手写数字识别的基本目标。传统手写数字识别方法存在图像预处理过程复杂、图像特征提取冗余、网络模型识别率不足等问题［1］。卷积神经网络独特的二维数据处理方式和在分类识别时自动提取图像特征等特点可以提高手写数字识别的泛化能力和准确度［2～4］，因此引发众多学者将如何把卷积神经网络更好地应用于手写数字识别服务作为研究对象，从而使手写数字识别应用服务质量日益提升。

1998年Yann LeCun设计出LeNet-5卷积神经网络模型，该网络模型后来被广泛应用于手写数字识别技术上［4～5］。卷积神经网络模型（ConvolutionalNeural Networks，CNN）能够得出原始图像的有效表征，这使得CNN能够在原始像素基础上经过极少的预处理识别出图像视觉规律，但LeNet-5对于复杂问题的处理结果并不理想［5］。文献［6］提出一种用SVM分类器进行分类识别的深度学习模型CNN-1，并将其应用于卷面手写数字识别，取得了很好的识别效果，但该模型训练数据仅针对MNIST数据集，具有一定的局限性。文献［7］提出通过对RGB图像进行高斯低通滤波、计算图像均值等处理以提升抗几何攻击性，并对LeNet-5中卷积层和池化层数量及批处理数量。……