字符识别原理及大致流程
首先对输入图片进行卷积提取图片的特征，每个卷积层中通常包含若干个卷积单元，每个神经元与前一层的部分图像相连接并作为当前的输入，然后卷积单元与这个局部图像进行卷积。一般情况下，卷积神经网络卷积层含有多个特征平面，每个特征平面含有一种卷积核，用来提取某一种特征，多个卷积核可以提取图片的多种特征，这样可以充分地对图片进行特征提取。
通过卷积层和输入图片进行卷积后，我们可以得到图片的特征信息，通过分类器如可以对这些特征进行分类。由于直接用提取到的特征进行分类可能会出现运算量过大以及过拟合的情况，为了对特征向量进行降维，减少特征图以及训练参数，可以采取池化处理。池化层的运算一般有以下几种：均值池化，最大值池化，髙斯池化以及可训练池化，其中后面两种不常用，实际用的比较多的是最大值池化。均值采样与最大值采样都可视为卷积过程。均值池化主要是将原图缩减成１／４。而最大值采样不仅将原图缩减成１／４，同时保持原图的最强输入。
全连接层和一般的神经网络一样，最后一层隐含层与输出层进行全连接，将所有特征整合在一起，然后将输出值输送到分类器。