本論文利用Fukushima所提出的兩個類神經網路模型進行手寫中文字的辨
認工作。一是Neocognitron網路模型<網路一>，另一個是改良後,具有選
擇性注意力的Neocognitron網路模型<網路二>。在<網路一>中,本論文使
用監督式學習(supervised learning)，建構一個用於手寫中文字辨認特
徵萃取程序的四層類神經網路。 然後根據此網路建構一個稍後可擴充為
具有選擇性注意力的網路。 在建構每一階層時特徵的選取、訓練圖像的
設計及參數的設定與調整，均以舉例方式加以說明。
在 <網路二> 上，闡述網路透過 "增益值控制" (Gain Control)及　"閘
道控制"(Gate Control)在回溯網路產生"便利效應"(Facilitation)及"
疲倦效應"(Fatigue)。藉由前向網路部份與回溯網路部份的交互作用,可
達到"圖像分割"(Pattern Segmatation)及"雜訊去除"(Noise Defect)的
功能。另外，透過〞臨界值控制(Threshold control)〞，可解決在辨認
層沒有輸出結果的問題，並進而達到〞圖像修復(Pattern Recovery) 的
功能。
本研究參照H.D.Crane等人對手寫中文辨認上筆劃的定義及倉頡拆碼對中
文部首的規劃,選取用在辨認中文部首的Neocognitron網路上各層的特徵
。在隨後的實驗網路則以中文部首"日"、"月"為例,應用先前所定義的特
徵，證明在<網路一>中， 網路對"偏移"、"雜訊"、"變形"及"資料佚失"
的文字辨認，確有相當不錯的成效。 在<網路二>中，藉由圖像分割能力
的運用，對輸入文字的部首萃取已可達到分割文字的效果。 網路上各類
參數的設定與調整均由實驗者根據所辨認的文字自行設定， 並已達到可
利用的程度。