التعرف على النص المكتوب بخط اليد هو موضوع دراسة له تطبيقات عديدة. أحد هذه التطبيقات هو تمييز الكتابة اليدوية في المستندات الرسمية، المخطوطات التاريخية، الشيكات المصرفية وما الى ذلك، وهي مشكلة يمكن اعتبارها بشكل نسبي مشكلة أمنية. كان لموضوع التعرف على خط اليد حيز كبير من الدراسة والتحليل في السنوات الأخيرة. يستخدم الأشخاص النص العربي في العديد من البلدان، بما في ذلك جميع البلدان التي تعتمد اللغة العربية كلغة أساسية بالإضافة إلى اللغات الفارسية والأردية والباشتو فإنها تستخدم الرموز العربية من حروف وارقام. ونظرًا للتنوع اللامتناهي في الكتابة اليدوية للأشخاص فان أنظمة التعرف عليها تواجه العديد من التحديات. تهدف هذه الورقة إلى فحص فعالية بعض التقنيات في معالجة مشكلة التعرف على الأرقام المكتوبة بخط اليد العربية (AHNR). على وجه التحديد الطرق قيد الدراسة هي الشبكات العصبية التلافيفية (CNNs)، والتي أثبتت فائدتها في مجالات متنوعة وتقدم حلولًا فعالة. النمط الثنائي المحلي (LBP) كتقنية لاستخراج الميزات وهو مشغل تركيبي فريد وفعال يجد تطبيقًا واسع النطاق في مجال أجهزة الكمبيوتر مثل التعرف على القياسات الحيوية واكتشاف الأهداف. وأيضا الرسم البياني للتدرجات الموجهة (HOG) كتقنية لاستخراج الميزات والتي تستخدم في رؤية الكمبيوتر ومعالجة الصور لغرض اكتشاف الأشياء حيث يركز واصف HOG على هيكل أو شكل كائن وهو أفضل من أي واصف حافة لأنه يستخدم المقدار وكذلك زاوية التدرج لحساب الميزات. علاوة على ذلك، سيتم استخدام خوارزمية K-Nearest Neighbor (KNN) كمصنف بالتزامن مع LBP وHOG. بمقارنة أداء الطرق الثلاثة حقق نموذج الشبكة العصبية التلافيفية (CNN) ما يقرب من 99 % من دقة التعرف، وهو مقارب لنهج HOG ولكن من حيث الفعالية الحسابية، كان نموذج CNN أسرع بمقدار o.61 ثانية من نهج HOG.