由于手写阿拉伯文字变种多差异较大,在现有的学习系统上对其进行识别具有极大的挑战性。目前依赖手工方法的识别算法仍然面临着识别率较低以及非常耗时的情况。近年来,深度学习技术在包括手写字体识别在内的许多模式识别应用中都表现出了很强的特征提取能力。然而,对阿拉伯文字手写字体识别的深入研究还很薄弱,我们在本论文中着重评估了卷积神经网络在阿拉伯手写字体识别中的作用。为了进行这项研究,本文使用了功能强大且使用广泛的VGG网络并从头开始训练具有不同体系结构的VGG网络。为了减少过拟合情况的发生,我们在每个最大值池化层之后都应用了 Dropout。该实验是IFN/NIET数据库上进行的,并取得了最高的精度。VGG19在测试集上的总体准确度达到了 95.46%。结果表明,VGG网络用于阿拉伯文字手写字体识别时,其性能与网络的深度呈正相关。最近基于深度神经网络（DNNs）的手写拉丁文字和中文文字识别方法已经取得了一些较好的成果。然而,阿拉伯文字手写字体识别的准确率却很低,这是因为阿拉伯文字手写体的草书性质和个人书写风格的变化仍然是该领域面临的一个巨大挑战。同样在本研究中我们提出了基于IFN/ENIT数据库训练的集成神经网络以便用于离线阿拉伯文字笔迹识别（OAHR）。我们将原始的IFN/ENIT数据进行归一化,使得高度始终等于100像素,而宽度始终等于100,200,300像素。我们针对每种归一化数据训练了一个模型（DNN）,并且最终得到了一个总体模型。每个模型配置九层,对输入和输出层进行计数。集成模型提高了多样性,这是构建集成模型所需的主要性质之一。最后,通过使用基准数据库进行几组实验,我们将实验结果与其他方法进行了比较,结果表明我们的方法有了一定程度的改进。