古汉字图像识别是模式识别的一个重要研究领域,鉴于古汉字识别流程具有多过程、多约束等特点,并且流程中各过程之间相互关联而容易陷入局部最优,导致识别效率不高。而支持向量机(SVM)能够在一个高维特征空间中灵活的判别边界,具有很强全局收敛性。因此,本文以支持向量机为基础方法,采用粗分类以及细分类的两层分类识别思想,对古汉字图像进行分类识别。在充分分析古汉字字形以及输入图像特点的基础上,针对不同输入古汉字图像可能引起的预处理效果的差异性,提出了具有自适应功能的预处理算法,从而屏蔽了不同输入图像带来的预处理效果的不确定性,一定程度上保证了预处理效果的有效性,同时也更好的消除了预处理阶段带入的伪特征,为特征提取环节奠定基础。由于单一的结构特征以及统计特征难以满足高质量特征提取的要求,提出了基于结构特征和统计特征相融合的多特征提取方法,即基于部件结构特征与全局点密度特征相融合的串行特征提取方法以及基于网格特征和局部点密度特征相融合的并行特征提取方法,较好满足了高区分度、高稳定性以及典型性的特征提取要求。通过高质量的提取到的特征信息建立了基于SVM的两层分类模型,即多特征串行融合的粗分类识别模型以及多特征并行融合的细分类识别模型。测试结果表明本文提出的基于分层思想的分类识别模型具有较高的识别精度。本文开发了古汉字图像分类识别系统,应用结果表明本系统具有较高的分类识别能力。同时本文提出的古汉字图像识别的方法给目前研究的较少的古汉字识别领域提供了一种新的可行的方法。