一、研究目的及意义
模式识别在生产和生活方面有着广泛的应用。手写字符识别技术作为模式识别的重要组成部分，在手机手写字符识别，签名识别，大规模数据统计（如行业年检、人口普查）等领域中有着重要的应用。
人脸识别、手写字识别和指纹是现代模式识别的重要的研究对象。手写体字符识别因其更接近人们的日常生活而倍受关注，但在文本、图像的识别中，会不可避免地出现大量的高维非线性数据。传统的线性维数约简方法难以直接用来分析来自现实世界的高维和非线性数据。其主要原因有膨胀的维数导致计算量迅速上升；高维导致样本数相对较少，而使得某些统计上的渐近性质受到破坏；传统方法在处理高维数据时不满足稳健性要求等。因此，研究高维非线性数据面临诸多困难。这主要是高维带来了数据的稀疏和维数灾难，而非线性使得现有的快速成熟的线性模型不再适用。
支持向量机作为一种新的机器学习方法, 由于其建立在结构风险最小化准则之上, 而不仅仅是使经验风险达到最小, 从而使支持向量分类器具有较好的推广能力。并且,由于支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解。因此，我们对字符识别的研究重点集中在SVM上，力图对SVM算法做一定改进，以减少训练时间并提高识别准确度。
二、研究方法
1、文献资料法：通过查看历史的文献资料，了解图像处理的相关方法与机器学习的新技术（如SVM、贝叶斯网络、AP和BP神经网络、流形学习等）。这里，我们主要关注手写体识别相关的机器学习内容。
2、统计分析法：建立学习结果评价指标与对应方法、参数等的数学模型，所采用方法的效果进行定量分析，评价所用方法的效果，并从机器学习角度进行分析与评价。
3、描述法：针对研究内容、算法与结果做详细描述，以具体展示研究内容。
4、总结归纳法：对所提出的手写字符处理的机器学习方与传统方法进行比较做分析对比，提出改进与问题。
三、研究内容
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
