支持向量机(Support Vector Machine,SVM)是在统计学习理论的基础上发展起来的,是一种优秀的基于数据的机器学习算法,是一种功能强大的数据分类技术,具有严格的理论和数学基础,在文本分类、字符识别、图像识别、人脸识别、指纹识别、蛋白质结构、基因检测等邻域有着广泛的应用。本文围绕字符识别技术,对字符识别预处理算法与支持向量机分类算法进行了深入的研究。在字符图像预处理方面,重点研究了灰度图像滤波算法、图像的倾斜检测和字符分割算法;在支持向量机分类方面,提出了一种新的快速的按类分级聚类(HierarchicalClustering by Category,HCC)支持向量机算法——HCC-SVM。本文的主要研究内容与创新点如下:(1)从脉冲噪声点检测的角度出发,提出了一种新的的灰度图像滤波方法,在噪声密度较高的情况下,仍然能保持良好的滤波性能,并且算法运行速度快。(2)利用首行文本在一条直线上并且上方没有文字干扰的特性,提出了一种基于首行文本行的倾斜检测方法,能够满足纯文本图像倾斜检测的需要,而且处理速度快。(3)利用文本的行间隔特性,提出了一种基于行列的字符分割法,能够在图像质量较好时,实现文本图像中的文字分割。(4)针对传统的支持向量机在训练大数据集数据时遇到的算法运行时间长和占用内存空间大的问题,提出了HCC-SVM算法,解决在大样本环境下算法的运行时间和空间问题。与传统的SVM算法相比,HCC-SVM可以极大地提高算法的运行效率;与基于随机抽样的SVM算法相比,HCC-SVM能够得到更高的分类效果。(5)采用暴力测试法,分析SVM算法的关键参数的选取,找出适用于测试数据集的最佳参数。