字符识别是模式识别领域的一个重要研究分支,分为联机字符识别和光学字符识别(简称OCR, Optical Character Recognition)。手写数字识别一直都是OCR中的一个难题,更是一个具有现实意义且富于挑战性的课题。近年来神经网络广泛应用于手写体数字识别算法,但神经网络的执行需要进行大量的矩阵和向量的计算,面对大数据量的问题,传统的编程方法满足不了实时性。随着GPU性能的大幅度提高以及GPU的可编程特性的发展,2007年INVIDIA公司提出CUDA的编程框架,基于图形硬件的通用计算(GPGPU)已成为新的研究热点。针对手写数字识别效率低的问题,本文采用基于CUDA编程的人工神经网络来加快手写数字识别效率速度。该方法依据神经网络结构上的并行特性(同层内神经元间相互独立)和神经网络训练过程中矩阵运算的并行特性,将神经网络的学习过程用CUDA C语言并行化,利用GPU执行计算过程,大幅度提高了手写数字识别的运算速度,使实时识别成为可能,同时为大型神经网络在GPU上进行相关计算提供了基本途径,也为进一步研究GPU计算做好铺垫。本文首先描述了本文对手写数字图像的预处理过程,包括图像规范化、图像二值化、图像平滑和细化等操作。然后主要叙述了BP神经网络基本知识,讨论了本文图像特征提取的方法,给出了基于BP神经网络的手写数字识别串行算法仿真结果。最后完成了基于CUDA编程的神经网络手写数字识别算法仿真,将并行仿真结果与串行仿真结果进行性能比较,结果表明GPU计算确实提高了神经网络训练效率