การรู้จำตัวพิมพ์อักษรไทยได้รับการศึกษาจากผู้วิจัยอย่างแพร่หลายมาเป็นเวลานานโดยมีการใช้วิธีการต่างๆ เพื่อทำการทดลอง วิธีการโปรแกรมตรรกะเชิงอุปนัย(Inductive Logic Programming : ILP) หรือไอแอลพี เป็นวิธีการหนึ่งที่ถูกนำมาใช้กับการรู้จำตัวพิมพ์อักษรไทยได้เป็นอย่างดี มีอัตราการรู้จำ 84.97% ซึ่งวิธีการนี้ทำการรู้จำโดยการสร้างกฎขึ้นจากตัวอย่างบวก ตัวอย่างลบ และความรู้ภูมิหลังทั้งหมดนี้ถูกอธิบายในรูปของโปรแกรมเชิงตรรกะ อย่างไรก็ตามในการใช้วิธีการไอแอลพีเพื่อทำการจำแนกตัวพิมพ์อักษรไทย 77 ตัวออกเป็นหลายคลาส (class)จะเกิดปัญหาขึ้น เนื่องจากระบบที่ใช้วิธีการไอแอลพีส่วนใหญ่จะทำงานเกี่ยวกับตัวอย่างเพียง 2 คลาส คือ ตัวอย่างบวก และตัวอย่างลบ และสร้างกฎสำหรับตัวอย่างบวกขึ้น ตัวอย่างที่ไม่ตรงกับกฎจะถูกจำแนกเป็นลบ ในวิทยานิพนธ์ฉบับนี้ วิธีการไอแอลพีจะต้องทำการเรียนรู้แนวคิดแบบหลายคลาส (multi-class concept) ซึ่งสามารถกระทำได้โดยสร้างกฎสำหรับแต่ละคลาสขึ้นจากตัวอย่างบวกซึ่งเป็นตัวอย่างของคลาสนั้นและตัวอย่างลบซึ่งเป็นตัวอย่างของคลาสอื่นๆ กฎเหล่านี้จะถูกนำไปใช้ในการจำแนกตัวอย่างใหม่ต่อไป แต่ในกรณีของตัวอย่างใหม่โดยเฉพาะอย่างยิ่งตัวอย่างที่มีสัญญาณรบกวนอาจไม่ตรงกับกฎข้อใดเลย ซึ่งวิธีการไอแอลพีจะไม่สามารถจำแนกตัวอย่างเหล่านี้ได้ ดังนั้นจึงต้องใช้วิธีการอื่นเพื่อทำการประมาณในการเลือกกฎที่ใกล้เคียงกับตัวอย่างในกรณีดังกล่าว วิทยานิพนธ์ฉบับนี้นำเสนอวิธีการทำการประมาณเพื่อเลือกกฎโดยใช้แบ็กพรอพาเกชันนิวรอลเน็ตเวิร์ก (Backpropagation Neural Network : BNN) หรือ บีเอ็นเอ็นซึ่งในบีเอ็นเอ็นแบบที่หนึ่งใช้จำนวนสัญพจน์ (literal) ที่ไม่ตรงและจำนวนสัญพจน์ที่ตรงกับตัวอย่างเป็นอินพุตเวกเตอร์ (input vector) ในกระบวนการเรียนรู้อัตราการรู้จำของบีเอ็นเอ็นแบบนี้มีค่า 92.55% ซึ่งสูงกว่าอัตราการรู้จำของไอแอลพีเพียงอย่างเดียว แต่ข้อเสียคือบีเอ็นเอ็นแบบที่หนึ่งนี้ให้ความสำคัญของทุกสัญพจน์ในกฎแต่ละข้อเท่ากัน ดังนั้นจึงไม่สามารถกำหนดให้สัญพจน์ที่สำคัญกว่ามีค่าน้ำหนักมากกว่าสัญพจน์อื่นๆ ได้ เมื่อใช้ค่าความจริงของสัญพจน์ทุกสัญพจน์ในกฎแต่ละข้อแทนจำนวนสัญพจน์ที่ไม่ตรงและจำนวนสัญพจน์ที่ตรงกับตัวอย่างเป็นอินพุตเวกเตอร์ในโครงสร้างบีเอ็นเอ็นแบบที่สอง ทำให้ได้อัตราการรู้จำสูงขึ้นเป็น 94.26% ซึ่งสูงกว่าวิธีการอื่นๆ ที่ทำการทดสอบในวิทยานิพนธ์ฉบับนี้