Des progrès significatifs ont été réalisés dans le domaine de la reconnaissance des expressions mathématiques manuscrites, bien que les méthodes existantes d'encodeur-décodeur soient généralement difficiles à modéliser pour capturer l'information globale en $LaTeX$LaTeX. Par conséquent, cet article introduit une nouvelle approche, l'Apprentissage Assisté par les Caractères Implicites (ICAL), visant à extraire l'information globale des expressions et à améliorer la reconnaissance des expressions mathématiques manuscrites. Plus précisément, nous proposons le Module de Construction de Caractères Implicites (ICCM) pour prédire des séquences de caractères implicites et utilisons un Module de Fusion pour combiner les sorties de l'ICCM et du décodeur, permettant ainsi de produire des prédictions corrigées. En modélisant et en utilisant l'information des caractères implicites, ICAL atteint une interprétation plus précise et contextualisée des expressions mathématiques manuscrites. Les résultats expérimentaux montrent que ICAL dépasse notablement les modèles de pointe (SOTA), améliorant le taux de reconnaissance des expressions (ExpRate) de 2,25%/1,81%/1,39% sur les jeux de données CROHME 2014/2016/2019 respectivement, et atteignant un remarquable 69,06% sur l'ensemble de tests HME100k. Nous mettons notre code à disposition sur GitHub : https://github.com/qingzhenduyu/ICAL