本课题研究数学表达式中符号的识别，因为在科技高度发展的现代，数学表达式是大多数科技文献的核心，对它的研究可以使数学表达式用于检索，提高文献的科技性；实现公式输入的自动化，以解决手动输入的低效率问题；随着计算机网络的发展，网上传递资料成为人们常用的方式，改变数学表达式图片的存在形式，可以节省空间，提高网络的传输速度等。 本文分析了国内外数学公式识别研究的现状，建立一个通用的数学公式识别系统是研究的难点，也是实际应用所需求的。在本系统中，首先对符号图像进行阈值的二值化处理；图像在生成的过程中容易引进噪声，对此进行了图像的平滑去噪；为了得到符号图像清晰的拓扑结构，采用了Hilditch算法进行符号图像的细化处理；由于数学表达式中符号大小的多样性不利于识别，所以对这些符号进行了大小的归一化。然后使用骨架链码法，根据结构分析后的符号的孔洞数及其位置、端点数、角点数等结构特征对数学表达式中常见到的103个符号进行实验初分类，可分成十个小的类，每个小类都对应着一个神经网络。再对符号的数字图像统计字符的9个网格特征和4个交叉点特征，即符号的13维特征向量作为特征值。提取特征值后用神经网络进行训练学习，在课题中采用的模板都是固定标准(大小、灰度级)的。最后用模板匹配的方法进行符号识别。由于计算机编码的限制，有些特殊符号识别的结果就采用其它符号替代的方式进行研究，通过大量实验，103个符号都能够被正确识别出来。