如果离您最近的工程图书馆有关于图像处理、计算机视觉或机器视觉的部分，那么幸运的是，该图书馆会有一本我推荐用于 OCR 的书：
Chariet、Kharma、Liu 和 Suen 的字符识别系统
本书对 OCR 技术和最近的研究进行了相当全面的概述。它没有深入探讨任何特定主题，但确实提供了对学术论文的参考。
确保您可以访问一本好的图像处理入门教科书。 Gonzalez 和 Woods 的书是许多大学的标准：
数字图像处理，Gonzalez 和 Woods
即使是“简单”的 OCR 也会很快变得棘手。如果您在牢牢掌握基本图像处理原理之前就跳入有关神经网络、贝叶斯定理等的课程，那可能会让人不知所措。
如果可以，请先尝试为机器打印字符编写一种或多种 OCR 算法，然后再尝试为手写字符编写算法。
Q1：我在哪里可以找到算法（或教程）
OCR 有多种算法。 Cheriet 书将为您提供一个良好的开端。
Q2：如何对数字进行分类？我不需要很高级的东西。我想到的第一件事是找到上半部/下半部和左侧/右侧的比率。有没有更实用更简单的分类方法。
尝试实施该技术，看看效果如何。即使实施效果不如您所愿，实施过程中吸取的经验教训也可以在以后为您提供帮助。
您还可以将字符细分为 2 x 2 网格或 3 x 3 网格并检查像素的相对密度。与机器打印的字符不同，手写字符不会在直线网格中很好地排列。
使用归一化相关性的模板匹配很简单，并且对于单一已知字体的机器打印字符，它可以相当好地工作。实现起来比较简单，值得学习：
http://en.wikipedia.org/wiki/Cross-correlation#Normalized_cross-correlation
对于 OCR，通常将示例中的字符细化作为初始步骤。细化是一种将字符（或任何其他形状）缩小为 1 像素宽的表示的技术。一旦你有一个细化的字符，就可以更容易地识别线和交叉点。如果您可以识别线（或曲线）和交叉点，那么一种技术是查看每条线相对于其他线的相对位置和角度。
常用的细化算法包括 Stentiford 和 Zhang-Suen。有一个免费版本的 WinTopo 演示了这两种算法：
http://wintopo.com/
您可以查看有关“笔画提取”的学术论文，但这些技术往往更难以实施。
Q3：什么是反向传播以及大多数论文中显示的层。我的简单 OCR 是否需要它们。
这些术语指的是人工神经网络。对于简单的 OCR 算法，您将硬编码识别逻辑或使用简单的训练方法。可以训练人工神经网络来识别软件中未硬编码的字符。
http://en.wikipedia.org/wiki/Neural_network
虽然你不需要学习人工神经网络来编写一个简单的 OCR 算法，但一个简单的算法在手写字符上的成功率有限。
最重要的是，请记住，手写字符的 OCR 是一个极其困难的问题。如果您可以通过简单的技术实现 20% 的手写字符读取率，那么您就认为这是成功的。