1.一种手写满文字母识别装置，其特征在于，包括：
第一提取模块，被配置为采用方向特征提取方法和粗网络特征提取方法对待识别的满文字母图像提取特征，得到满文字母特征值；
第一降维模块，被配置为采用LDA线性判决分析的方法对所述满文字母特征值进行降维，得到降维后的满文字母特征值；
第一分类模块，被配置为采用K-近邻方法对所述降维后的满文字母特征值进行分类处理，得到所述待识别的满文字母图像对应的满文字母。
2.如权利要求1所述的手写满文字母识别装置，其特征在于，所述第一提取模块包括：
方向特征提取子模块，被配置为对待识别的满文字母图像进行8方向特征提取，或者对待识别的满文字母图像样本进行8方向特征提取，得到满文字母的方向特征值。
粗网络特征提取子模块，被配置为对待识别的满文字母图像进行粗网络特征提取，或者对待识别的满文字母图像样本进行粗网络特征提取，得到满文字母的网格特征值。
3.如权利要求1所述的手写满文字母识别装置，其特征在于，所述第一分类模块包括：
距离计算单元，被配置为计算当前待识别元组与测试元组的距离。
比较选择单元，被配置为比较所得距离与优先级队列中的最大距离，得到最终的优先级队列，等待遍历结束后选择优先级队列中K个元组的多数类，将其作为测试元组的类别。
4.如权利要求1所述的手写满文字母识别装置，其特征在于，所述装置还包括：第一预处理模块，被配置为对待识别的满文字母图像进行预处理，所述预处理，包括对满文字母图像进行字符大小的线性归一化、加虚拟笔划、字符的非线性归一化、笔划上的点的重采样、笔划上的点的平滑中的一种以上。
5.如权利要求1所述的手写满文字母识别装置，其特征在于，所述装置还包括：训练模块，被配置为对满文字母数据样本进行模型训练，以得到降维矩阵与k-近邻方法中k值。
6.如权利要求5所述的手写满文字母识别装置，其特征在于，所述训练模块包括：
第一处理子模块，被配置为LDA降维矩阵计算，得到线性空间中最佳投影向量；
第二处理子模块，被配置为设定不同的K值反复训练，调整K-近邻的参数值。
7.如权利要求6所述的手写满文字母识别装置，其特征在于，所述第一处理子模块包括：
第二预处理模块，被配置为对所述待识别的满文字母图像样本进行预处理。
第二提取模块，被配置为采用方向特征提取方法和粗网络特征提取方法对待识别的满文字母图像样本提取特征，得到满文字母特征值；
LDA降维矩阵计算模块，被配置为对LDA降维矩阵进行计算，得到线性空间中最佳投影向量。
8.如权利要求7所述的手写满文字母识别装置，其特征在于，第一处理子模块获取降维矩阵的方法，包括：
建立存储满文数据样本的手写满文库；
分别采用方向特征提取方法和粗网络特征提取方法对手写满文库中的满文字母图像提取特征，得到满文字母特征值；分配数据空间存储满文字母特征值和标签；
计算各类样本期望以及总样本期望；
计算类间协方差矩阵Sb及类内协方差矩阵Sw；
求矩阵Sw-1Sb的特征向量，得到投影向量。
9.如权利要求6所述的手写满文字母识别装置，其特征在于，所述第二处理子模块，包括：
第三预处理模块，被配置为对所述待识别的满文字母图像样本进行预处理。
第三提取模块，被配置为采用方向特征提取方法和粗网络特征提取方法对待识别的满文字母图像样本提取特征，得到满文字母特征值；
第二降维模块，被配置为采用LDA线性判决分析的方法对所述满文字母特征值进行降维，得到降维后的满文字母特征值；
KNN训练模块，被配置为设定不同的K值反复训练，调整K-近邻的参数值。
10.如权利要求9所述的手写满文字母识别装置，其特征在于，第二处理子模块确定k-近邻方法中k值的方法，包括：
建立存储满文数据样本的手写满文库；
分别采用方向特征提取方法和粗网络特征提取方法对手写满文库中的满文字母图像提取特征，得到满文字母特征值；
采用LDA线性判决分析的方法对所述满文字母特征值进行降维，得到降维后的满文字母特征值；
分配数据空间分别存储训练数据和测试元组，预设参数K；
维护一个大小为k的按距离由大到小的优先级队列，用于存储待识别元组，随机从待识别元组中选取k个元组作为初始的最近邻元组，分别计算测试元组到这k个元组的距离，将待识别元组标号和距离存入优先级队列；
遍历训练元组集，计算当前待识别元组与测试元组的距离，比较所得距离L与优先级队列中的最大距离Lmax，得到最终的优先级队列；
遍历完毕，计算优先级队列中k个元组的多数类，并将其作为测试元组的类别。
测试元组集测试完毕后计算误差率，继续设定不同的K值重新训练，最后取误差率最小的K值。