光学字符识别是20世纪20年代逐步发展起来的一门自动化技术。日常生活中会遇到各种各样的数字信息需要录入到计算机中去，如大规模的数据统计、财务、税务、金融及邮件分拣等。因此手写体数字识别有着广泛的应用前景，对其进行研究有着重要的现实意义。 本文对手写数字识别技术进行了研究和探讨，采用基于LM-BP神经网络分类器的手写数字识别方法。该识别方法以图像预处理和一定的字符特征提取为基础，采用结合了LM数值优化法的BP神经网络作为核心识别分类器，对点阵输入向量进行分类识别而确定出最后的识别结果。 在预处理方面，本文着重研究了带折线型断笔的字符的断笔连接问题，提出了一种端点特征提取法，结合DDA算法，形成了一种能连接多种折线型断笔的新方法。此外，针对二值图像的特点，修改了传统中值滤波法的具体运算方法，提出了一套快速的运算规则。另外，使用形态学膨胀技术粗化细化后的字符，均匀化了字符笔画，用做分类器的输入。 分类识别器采用了LM-BP神经网络。对传统的BP神经网络训练算法进行了研究，采用综合优化训练算法，使用LM数值优化算法进行权值与阈值修正，并引入了自适应调节参数，灵活地调节网络训练方式。 识别系统对美国邮政管理局（USPS）手写体数字图像库分别进行了传统BP神经网络和LM-BP神经网络测试实验，传统BP神经网络的最好识别率为92.722％，LM-BP神经网络的识别率达到了96.611％，实验结果表明该系统对手写数字具有较高的识别率。