摘要：图像识别技术是广泛应用于社会中的必不可少的技术之一，该技术广泛应用于监控，人脸识别等领域，将半自动化的社会转而向智能学习方向发展。但是图像识别的领域暂时还不够成熟，体系也不够完善，识别的准确率也有待提高。

本文结合目前最热门的深度学习技术中的卷积神经网络建立识别模型,通过调用MNIST数据库中的手写数字样本进行模型训练，对手写数字进行识别。

具体研究内容：

（1）针对机器自动识别手写数字的问题，利用深度学习技术，借鉴已有的基于卷积神经网络的图像识别模型，将图像0到9进行分类。本次实验通过对10万种不同的手写数字图像的识别，利用Keras框架搭建卷积神经网络来训练和识别模型，最终训练准确率达到91%,测试准确率可以到95%。

（2）结合上述实验中的模型，开发一套手写数字识别系统，该系统使用了Tkinter框架，搭建了一个简洁的用户界面，能通过简单的可视化操作进行对特定选取手写数字图像的识别。

实验结果表明，本次设计的系统能够较好的识别手写数字图片，并达到95%以上的准确率。

关键词：手写数字识别；卷积神经网络；Python；Keras框架；用户界面

目录

摘要

Abstract

1 绪论-1

1.1手写数字识别的背景和意义-1

1.2 国内外研究的现状-1

1.2.1 手写数字识别的研究现状-1

1.2.2 神经网络的研究现状-2

1.3 手写数字识别的过程和实现方法-2

1.4 本文主要研究内容-4

2.深度学习与卷积神经网络的相关理论-5

2.1 深度学习-5

2.2 神经网络-6

2.3 BP神经网络-6

2.4 卷积神经网络-7

2.4.1 卷积神经网络的核心-8

2.4.2 卷积层-10

2.4.3 池化层-10

2.5 卷积神经网络的基本结构-11

3 基于卷积神经网络的手写数字识别模型-12

3.1 神经网络层级结构设计-12

3.2 卷积核大小及其数量选择-12

3.3 激励函数的选择-12

3.4 损失函数选择-13

4手写数字识别系统实现-14

4.1 python-14

4.2 spyder-14

4.3 训练模块设计-14

4.3.1 keras架构-14

4.3.2 参数-15

4.3.3 训练模型及结果-16

5 GUI界面设计-20

5.1 TKinter 介绍-20

5.2 调用参数-20

5.3 界面板块-20

5.3.1 控制板块-21

5.3.2 信息板块-21

5.4 界面展示-21

6 MNIST数据库介绍-23

结    论-24

附录A 训练程序设计-27

附录B 识别程序设计-31

附录C 界面程序设计-33

致    谢-36