بازشناسی ارقام دست نویس یکی از مسائل مهم در بازشناسی الگو است. در زمینهی تشخیص ارقام دست نویس فارسی در دو حوزه ی روش های استخراج ویژگی و استفاده از طبقه بندها تحقیقات زیادی صورت گرفته است. انتخاب روش استخراج ویژگی به عنوان مهم ترین عامل در بازشناسی الگو و به منظورکاهش ابعاد داده های ورودی مطرح است. برای بازشناسی الگو، در تحقیقات متعددی به منظور بهبود کارایی طبقه بندی، افزایش نرخ بازشناسی و افزایش قابلیت اعتماد در سیستم از ترکیب طبقه بند ها استفاده شده است. ترکیب طبقه بند ها راهکاری برای بهبود کارایی در مسائل پیچیده طبقه بندی است. این پیچیدگی میتواند ناشی از محدود بودن تعداد الگوها، همپوشانی کلاس ها، بالا بودن بعد ویژگی ها و وجود نویز قابل ملاحظه در نمونه ها باشد. تاکنون روش های ترکیب متعددی در بازشناسی ارقام دست نویس پیشنهاد شده است که از بین آنها می توان به روش های ترکیب میانگین، بیشینه، کمینه و حاصلضرب اشاره نمود. طبقه بندهای موجود با یک الگوریتم تکراری، سعی در بازشناسی الگو دارند. در این رساله هدف این است که با استفاده از یک روش ترکیب با نام اختلاط خبره ها به نرخ بازشناسی بالاتری نسبت به روش های ترکیب ارائه شده در زمینه بازشناسی ارقام دست نویس فارسی دست یافت. در این مدل، مسأله پیچیدهی محاسباتی به تعدادی مسأله ساده تر تقسیم شده و در نهایت حل مسأله اصلی با ترکیب حل مسائل کوچکتر امکانپذیر می شود. به عبارت دیگر این مدل، با توزیع وظیفه یادگیری بین تعدادی طبقه بند و تقسیم فضای ورودی به مجموعه ای از زیر فضاها، قدرت تعمیم طبقه بندها را افزایش می دهد. سپس با ترکیب وزن دار خروجی طبقه بند ها به خروجی نهایی بهینه دست می یابد. برای کاهش احتمال به دام افتادن طبقه بندها در کمینه های محلی نیز تغییراتی اعمال شده است. از جمله این تغییرات افزودن ضریب ممنتم در روابط اصلاح وزن های طبقه بندها و تغییر ساختار طبقه بندها از پرسپترون چند لایه به تابع پایه شعاعی است. با اعمال این تغییرات سعی در افزایش سرعت همگرایی و نرخ بازشناسی بوده است، و نتایج آزمایشات نیز حاکی از حصول این امر است.