在模式识别的案例中,手写数字识别是模式识别中的一个重要的研究课题,在当今信息化的社会有非常广阔的应用。但目前对数字识别的研究,仍处在发展阶段,识别效果不够理想。因此,手写数字识别的研究具有重大的现实意义。如今深度学习在许多应用中都取得了比较好的效果,最近的研究结果证明了深度学习在机器学习和人工智能领域的有效性,特别是图像和语音识别领域。因此,深度学习在手写数字识别中的应用研究有着重大的现实意义。本论文基于深度学习中的栈式自编码网络,用自学习初始化参数,然后再逐步调优的方法来解决深层网络的学习问题。提出一种识别精度高的有监督深度特征融合的手写数字识别分类系统。探讨样本数据的不同特征融合技术对于手写数字识别分类模型的精度影响。将MNIST特征、PCA特征和HOG特征有效结合在一起,并用深度自编码网络(栈式自编码)进行二次提取再进行模型分类。实验结果表明,特征拼接+二次提取后的模型分类结果优于仅用人工提取特征方法作为输入的稀疏自编码网络,提升系统正确识别率,证明特征选择在深度学习模型应用过程中的可行性,进一步说明深度学习在手写数字识别应用中的有效性。