人工神经网络是基于对生物神经网络的模仿而提出一种模式识别方法,从提出到现在已有70多年的历史,期间人们对它的研究有过高潮和低谷,兴衰交替。2006年,深度学习的概念被提出,它模拟了视觉系统的层次化工作机制,提出构建具有层次化结构的深度神经网络模型,并取得了成功,使得神经网络再次成为人们的研究热点。而CNN (Convolutional Neural Networks,卷积神经网络)作为深度学习的一种实现模型,在1998年就得到了实现,如今发展的已比较成熟,特别是成功应用在手写字符的识别上。然而现在,对于复杂自然场景中字符的识别仍然是一个难题,主要是由于这样的字符具有复杂的背景、较低的分辨率、变化的光照强度,所以本文选择在研究CNN的基础上,与其他的方法结合,提出了新的识别方法,将之用于对自然场景中的字符识别,以期能够提高对自然场景中字符的识别率。本文在对CNN的基本理论进行研究的基础上并结合国内外对CNN的研究成果,主要做了如下的工作：(1)提出了结合PCA (Principal Component Analysis,主成分分析)和CNN的字符识别方法,即将PCA和CNN两者结合在一起,先对图像进行基于PCA的重建,然后再用CNN进行训练和识别。此外,我们使用了改进的CNN：一是采用多阶段特征(Multi-Stage feature)作为分类器的输入；二是在下采样阶段使用Lp-pooling,使用不同的p值进行试验,找到最佳的p值。(2)在SVHN数据集上进行了三部分实验：第一部分实验是验证在CNN中采用多阶段特征比单阶段特征能有效地提高识别率；第二部分实验是探索不同的p值对识别率的影响规律,并得到在对SVHN数据集进行识别时识别率最高所对应的p值；第三部分实验则是在前两部分实验的基础上验证基于PCA和CNN的字符识别方法的有效性,并与其他文章中的结果进行了对比。