手写体数字识别(Handwritten Numeral Recognition)是光学字符识别技术(Optical Character Recognition)的一个分支，是人们研究较为深入的一个经典课题，也是模式识别中最成功的应用之一。数字识别的识别类较少，从而有助于深入分析和验证一些新理论新方法；而且手写体数字的识别方法易于推广到一些相关问题，这些都促使我们有必要对其作深入的研究。本文建立了一个由BP神经网络和支持向量机组成的二级手写体数字脱机识别系统，主要由学习和识别两个部分构成。在整个系统的实现过程中，本文的工作主要有以下几个方面：1．为提高网络的收敛速度和避免网络假饱和现象，对传统的BP神经网络做了一些改进；而为了防止网络的过拟合，我们在训练过程加入了交叉验证的方法。2．在BP神经网络训练过程中，系统对训练结果的输出作了易误识模式的概率统计，并根据这个统计结果，设置了确信度参数，在识别阶段，系统根据这个确信度参数，来决策BP神经网络的输出结果是否需经过支持向量机分类器。3．对支持向量机的训练过程，引入了SMO算法和DirectSVM的改进算法。通过DirectSVM算法来加快选择支持向量的速度，并在学习训练时配合SMO算法，来保证整个支持向量机的性能不被降低，这样，就得到了一个速度提高的支持向量机分类器。4．本文建立的BP神经网络与支持向量机二级手写体数字识别系统，由BP神经网络构建粗分类器，由支持向量机构建细分类器。粗分类器的识别结果若符合一定的确信度则直接输出识别结果，否则，将选择最大的两个结果，交由支持向量机来进行二级分类，并将结果作为最终结果输出。实验结果表明系统在一定程度上提高了手写体数字识别的精度，值得深入研究下去。