1、2006年以后深度學(xué)習(xí)已經(jīng)成為了機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的前沿研究。尤其是在2012年之后，深度學(xué)習(xí)在圖像識(shí)別和分類(lèi)上都取得了世界上最好的結(jié)果。在這篇論文中，我主要關(guān)注于深度學(xué)習(xí)方法和它在手寫(xiě)體識(shí)別之中的應(yīng)用，盡管這不是一個(gè)新的話(huà)題，但是絕對(duì)是一個(gè)很有挑戰(zhàn)的問(wèn)題和領(lǐng)域?，F(xiàn)在針對(duì)單個(gè)手寫(xiě)字符的識(shí)別問(wèn)題，諸多研究人員已經(jīng)提出了許多的識(shí)別算法，并且有些算法的表現(xiàn)已經(jīng)接近甚至超越了人類(lèi)。但是一串手寫(xiě)字符的識(shí)別任然是一個(gè)富有挑戰(zhàn)的問(wèn)題。在這篇論文中

2、我將嘗試?yán)蒙疃葘W(xué)習(xí)的思想來(lái)解決這一問(wèn)題。
　　本文首先提出了一個(gè)用于圖像降噪的能量模型。在測(cè)試中，該模型可以很好地復(fù)原被遮擋的圖像。但是當(dāng)圖像尺寸變大時(shí)該模型的表現(xiàn)并不是特別令人滿(mǎn)意。因此我又將卷積的思想引入到該能量模型之中。在卷積模型中，它主要是利用圖像的局部特征而不是整個(gè)圖像，這一點(diǎn)是十分合理的，因?yàn)樵谧匀粓D像中，一個(gè)像素值僅僅與與之相近的像素值高度相關(guān)，和其他像素值相關(guān)性很小。其次，對(duì)單個(gè)字符的識(shí)別進(jìn)行了研究，并比較了不同

3、算法的識(shí)別結(jié)果。當(dāng)然深度神經(jīng)網(wǎng)絡(luò)的表現(xiàn)最好，并且無(wú)監(jiān)督預(yù)訓(xùn)練算法可以有效地提高識(shí)別準(zhǔn)確率。因此在論文中我將無(wú)監(jiān)督學(xué)習(xí)的思想應(yīng)用到了卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練之中，提出了兩種無(wú)監(jiān)督學(xué)習(xí)算法。在預(yù)訓(xùn)練之后，我們得到了更好的結(jié)果，并且測(cè)試錯(cuò)誤率呈現(xiàn)出了明顯的下降。第三，針對(duì)字符串的識(shí)別我提出了一個(gè)基于圖像過(guò)分割和深度學(xué)習(xí)的識(shí)別框架。為了對(duì)圖像進(jìn)行過(guò)分割，論文中提出了一種簡(jiǎn)單但卻有效的算法，該算法可以將原始圖像分割成更小的片段。在該算法中，我還引入了低