Có nhiều phƣơng pháp đề nhận dạng chữ viết tay. Trong đề tài này, tôi sử dụng mạng nơron để thực hiện việc nhận biết chữ viết tay. Việc sử dụng mạng nơron có nhiều tiện dụng và hiệu quả hơn các phƣơng pháp khác. Khi sử dụng phƣơng pháp này chúng ta không phải lƣu trữ lƣợng mẫu nhiều, và cũng có thể nhận dạng đƣợc những mẫu mà chƣa có trong cơ sở dữ liệu.
Vấn đề quan trọng là xây dựng mạng nơron sao cho có hiệu quả cao nhất trong việc nhận dạng và huấn luyện. Điều này tùy thuộc vào việc lựa chọn kiến trúc của mạng, phƣơng pháp huấn luyện, các tham số đầu vào của mạng, các hàm kích thích trên từng lớp…
Mạng nơron nhân tạo (Artificial Neural Network gọi tắt là ANN) bao gồm: các nút (đơn vị xử lý, nơron) đƣợc nối với nhau bởi các liên kết nơron. Mỗi liên kết kèm theo một trọng số nào đó, đặc trƣng cho tính kích hoạt hay ức chế giữa các nơron. Có thể xem các trọng số là phƣơng tiện để lƣu giữ thông tin dài hạn trong mạng nơron và nhiệm vụ của quá trình huấn luyện (học) mạng là cập nhật các trọng số khi có thêm các thông tin về các mẫu học, hay nói một cách khác, các trọng số đƣợc điều chỉnh sao cho dữ liệu đầu vào mà nó mô phỏng hoàn toàn phù hợp với môi trƣờng đang xét.
Là một hệ thồng bao gồm nhiều phần tử xử lý đơn giản (nơron) hoạt động song song. Tính năng của hệ thống, tuỳ thuộc vào cấu trúc của hệ các trọng số liên kết nơron và quá trình tính toán tại các nơron đơn lẻ. Mạng nơron có thể học từ dữ liệu mẫu và tổng quát hóa dựa trên các dữ liệu mẫu học. Trong mạng nơron, các nơron đón nhận tín hiệu vào gọi là nơron vào (Input) và các nơron đƣa ra thông tin gọi là nơron ra (Output).