انتخاب ویژگی و کاهش ابعاد داده امری مهم و قابل توجه در بازشناسی الگو می باشد که در سالهای اخیر توجه زیادی بر آن بوده است. این امر باعث افزایش سرعت پردازش در سیستم های بلادرنگ و کاهش حافظه برای ذخیره سازی اطلاعات می شود. در این راستا نقش الگوریتم های بهینه سازی خصوصاً الگوریتم بهینه سازی توده ذرات قابل توجه بوده است. به طوریکه با استفاده از الگوریتم بهینه سازی توده ذرات و انتخاب روش مناسب جهت محاسبه مقدار برازندگی در pso می توان تا مقدار قابل توجه ای ابعاد بردارهای ویژگی را کاهش داد تا به نتیجه قابل قبول و بهتر دست یابیم. در این پایان نامه یک سیستم بازشناسی الگو برای بازشناسی ارقام دستنویس ارائه شده است. در این سیستم پس از استخراج ویژگی با استفاده از ترکیب دو روش هیستوگرام گرادیان و مکان مشخصه توسعه یافته بر روی تصاویر ارقام دستنویس مرحله انتخاب ویژگی انجام گرفته است. در بلوک انتخاب ویژگی از الگوریتم بهینه سازی توده ذرات باینری bpso و طبقه بند ماشین بردار پشتیبان svm جهت محاسبه مقدار برازندگی استفاده شده است. همچنین از داده های چهره پایگاه orl، اثر انگشت fvc2004 و داده های uci برای تایید کارایی سیستم استفاده شده است. طبق نتایج بدست آمده برای بازشناسی ارقام دستنویس فارسی بدون کاهش ویژگی به نرخ بازشناسی 99.40% و با استفاده از bpso در انتخاب ویژگی تا 193 ویژگی از 400 ویژگی بردار اصلی به نرخ بازشناسی 99.11% دست یافتیم. این نتایج نشان از عملکرد خوب و قابل قبول سیستم پیشنهادی دارد.