字符识别技术是用机器视觉进行模式识别的重要研究方向之一。随着现代生产的自动化程度越来越高，许多生产线上对产品标号或编码字符的检验需要通过机器进行自动识别。由于工业现场环境恶劣，光照不均，传送过程中产品可能发生移动，诸多不利因素会引起所拍摄的图像失真、模糊、含噪以及使字符产生缩放、平移和旋转的情况。本文作者主要做了以下几方面研究工作并用Matlab语言对相应算法进行实现：(1)对图像进行了前期预处理；(2)提出了一种基于大津法的图像分块二值化方法，实验证明该方法对光照不均和模糊图像的二值化效果比较好；(3)对于字符特征的抽取，本文重点研究了理论上对旋转具有不变性的矩特征，对字符进行归一化后最终选择出18个Zernike矩作为字符特征，另外还提取了字符的网格特征进行研究；(4)针对两种字符特征，用改进的BP算法设计了三个神经网络识别系统；(5)对采集到的车轮字符进行识别实验，实验表明了网格特征与神经网络相结合具有较好的椒盐类噪声容错性，Zernike矩特征与神经网络相结合具有较好的旋转不变性，把两个特征相结合使用设计的一个两级神经网络分类器串级集成识别系统对车轮字符识别样本的正确识别率达98％。 本课题受到安徽省十五攻关项目《特殊工况异形曲面在线检测系统》的资助。