货币识别问题是一个模式识别问题，当今对货币识别的研究，主要有以下几个方面:数据采集，特征提取和分类器设计。本文在广泛阅读国内外相关文献的基础上，提出将非负矩阵分解(Non-negativeMatrix Factorization，NMF)应用于货币识别的特征提取，将集成神经网络(Ensemble Neural Network，ENN)应用于货币识别的分类器设计。　　 非负矩阵分解是新兴的模式识别特征提取方法，它是一种基于部分表示整体的方法。货币样本组合成的矩阵V经非负分解，分解后的基矩阵W表示货币的局部特征信息，H的列向量可解释为各样本在各局部特征上的权重编码信息。与传统的货币识别特征提取方法相比，经由NMF分解得到的特征信息更合乎人类视觉感知的直观体验，并具有明确的物理含义。　　 在分类器设计部分应用集成神经网络，其个体神经网络经由负相关学习训练而成。负相关学习(Negative Correlation Learning，NCL)的目的是鼓励集成的个体网络的差异性，使不同个体网络针对数据集的不同部分进行训练和学习，使集成整体更好地学习整个数据集。　　 本文用紫外光照射下的纸币图片作为实验样本，经过一系列处理后送入各种神经网络分类器，并对实验结果进行了比较和分析，实验表明:基于负相关学习的神经网络集成对货币识别分类有很好的效果，与应用单个神经网络的系统和独立训练个体网络的集成神经网络相比，它的误识率更小。