手写文字识别技术已广泛应用于各类智能系统。粘接文字的分割是手写文字识别的第一步，因其分割难度之大，往往成为进一步识别甚至是整个智能系统的瓶颈，分割的好坏直接决定了识别率的高低。通常，随着字符串个数的增加，粘连程度的增大，分割难度也在进一步加大。目前，多粘连字符串的分割与识别现在已成为手写文字识别系统研究的热点之一。 针对含有字符和数字的强粘连字符串的分割与识别问题，本文做了如下工作： 1．本文对初始灰度图片进行分割之前，采用了一种新的预处理方法，以求粘连字符串分成尽可能多的几个连通区域，然后采用本文提出的字符串上下轮廓提取方法，对预处理后的图片提取上下轮廓。得到上下轮廓后，利用KNN分类器找到候选的特征点，进而根据候选特征点构造出分割路径集合。 2．利用分治算法依次处理字符串图片的每个连通区域，然后对粘连字符部分使用基于识别反馈机制的字符分割算法，筛选出最优分割路径来完成分割和识别，再组合所有连通区域的识别结果得到最终的结果。此方法与以往算法相比，时间复杂度在一定程度上有所降低。 3．本文采用KNN和BP神经网络这两种分类器做单字符识别，最终选择识别率更高的BP神经网络用于识别反馈。 本文的创新点是：首先我们采用一种新的预处理方法来处理灰度图片，然后利用KNN分类器来提取轮廓特征点，随后采用了一种打分机制匹配上下轮廓特征点来构造分割路径集合。最后，我们将遗传算法和识别反馈结合起来完成字符分割与识别。 实验结果表明，本文提出的方法在解决强粘连多字符串的分割与识别方面取得了不错的效果，同时反馈机制的引入，也提高了识别的可靠度。