چکیده: بازشناسی نوری حروف در حوزه‌های گوناگون مانند تشخیص پلاک خودرو، امنیت(مانند تصدیق گذرنامه)، بارکد و سیستم‌های بانکی (چک)، نقش مهمی ایفا می‌کند و تا کنون روش‌ها و سیستم‌های متعددی برای تشخیص کاراکترها ارائه شده است. هدف این تحقیق، ارائه‌ی روشی می باشد که بتواند ارقام و حروف تایپی یک زبان را بدون محدودیت در نوع فونت و اندازه، شناسایی نماید. از مهم‌ترین چالش‌های سیستم‌های بازشناسی موجود، این است که دارای تعداد زیادی نمونه‌ی آموزشی و در نتیجه حجم بالایی از محاسبات هستند؛ زیرا هنگام آموزشِ هر یک از کاراکترها به چندین نمونه‌ی آموزشی از آن کاراکتر، نیاز دارد. هم‌چنین اگر این سیستم‌ها برای تشخیص کاراکترها با تنوع فونت‌های بیشتری توسعه یابند؛ خطای تشخیص، افزایش می‌یابد. بنابراین به سیستم بازشناسی ای نیاز داریم که قادر باشد علاوه بر کم بودن تعداد نمونه‌های آموزشی، در مقابل تغییر فونت، مقاوم بوده و خطای تشخیص آن در ازای افزودن فونت‌های جدید، تغییر آن چنانی نداشته باشد. در این پایان‌نامه، به بازشناسی ارقام و حروف تایپی انگلیسی می‌پردازیم. کاراکترهای تایپی در فونت‌ها و اندازه‌های مختلف نوشته می‌شوند که سبب می‌گردد شکل نوشتاری کاراکترهای مشابه با یکدیگر متفاوت باشد؛ بنابراین به یک سیستم بازشناسی با استخراج ویژگی‌های مناسب از کاراکترها، نیاز است تا بتواند با درنظر گرفتن این تفاوت‌ها، کاراکترهای مشابه را تشخیص دهد. در این تحقیق، با استفاده از یک بردار ویژگی ساده- مجموع مقادیر پیکسل‌های تک تک سطرها و ستون‌ها- و یک شبکه ی عصبی نگاشت خودسازمانده بدون ساختار پیچیده، توانستیم ارقام تایپی انگلیسی را در 30 نوع فونت و 11 اندازه‌ی متفاوت با دقت 99.47% و حروف تایپی انگلیسی را در 24 نوع فونت و 11 اندازه‌ی مختلف با دقت 97.73%، دسته‌بندی کنیم. شبکه ی عصبی نگاشت خودسازمانده، معمولاً از فاصله‌ی اقلیدسی برای مقایسه‌ی نمونه‌های یک کلاس استفاده می‌کند اما در این پایان‌نامه به جای استفاده از فاصله‌ی اقلیدسی، معیار شباهت برای مقایسه‌ی بین بردار مشخصه‌ی رقم ورودی و وزن نرون های مختلف، به کار برده می‌شود. هم‌چنین، به جای آموزش چندین نمونه از فونت‌ها و اندازه‌های مختلف، تنها یک یا دو نمونه برای آموزش در شبکه ی عصبی، مورد استفاده قرار می‌گیرد.