脱机手写体识别就是将包含手写体字符的图像转换为计算机可以编辑的文本信息的过程,在处理历史文档、邮件信息、行政公文等领域有着广泛的应用。搭载深度学习这一“快车”的脱机手写体识别是模式识别和人工智能领域研究的一个重要分支。目前,针对传统方法识别过程繁琐、难以设计出泛化性能较好的模型等问题,基于深度学习的端到端模型在脱机手写体识别领域逐渐成研究的热点。端到端的脱机手写体识别能够同时完成字符的检测和识别任务,无需显式的字符切割,极大地提高了文字识别的实时性。由于书写的自由性,同一个字符的不同实例,不同的人书写将不可避免地出现一系列相当不同的字形。从同种意义上说,同一个书写者的同一字符,也可能会由于书写上下文环境的不同而不同。目前,关于脱机手写体识别的研究主要针对数据量较小的数据库,要快速收集庞大的带注释的训练集数据成本很高。书写风格的多样性和标记数据的稀缺性,使得脱机手写体识别仍然是一个具有挑战性的课题。传统的脱机手写体识别过程包括图像预处理、字符分割、提取特征以及识别。目前更流行的是基于深度学习的端到端手写体识别,将手写体文本转换为序列识别问题,通过序列到序列模型实现图像序列到字符序列的映射。本文在脱机手写体识别问题进行深入研究,立足于深度学习的端到端模型结构,对脱机手写体识别进行以下研究工作:（1）基于深度学习的端到端脱机手写体识别目前主要有基于CTC（连接时序分类,Connectionist Temporal Classification）和基于 Attention 机制的两种模型,它们都有着较好的识别准确率。但是,基于CTC的模型假设标签内部之间具有条件独立性,每次输出的是独立的单个字符概率,忽略了整体信息;基于Attention机制的模型未引入任何引导对齐约束条件,对严格输入和输出单调对齐的手写体文本识别容易产生错位现象。针对上述问题,本文提出了一种基于CTC-Attention机制的端到端脱机手写体识别模型,基于Encoder-Decoder框架,利用多任务学习,并引入动态调整参数的方法来均衡CTC模型和Attention机制模型,在开源的脱机手写体英文单词IAM数据集和脱机手写体中文文本行CASIA-HWDB2数据集上验证了模型的有效性,实验证明提出的模型有着更高的识别准确率。（2）尽管（1）中提出的混合模型能有效实现端到端的脱机手写体识别,但这样的混合模型结构复杂,训练耗时长,要训练出性能较好的模型需要大量已标记数据。目前脱机手写体识别公开的数据集规模无法达到类似于ImageNet数据库的规模,因此,本文提出了一种无监督领域自适应的脱机手写体识别模型。领域自适应是迁移学习中的一种代表性方法,源域和目标域样本共享相同的特征和类别,但数据分布不同。传统的监督领域自适应中源域和目标域都带标记,而无监督领域自适应目标域不带标记。无监督领域自适应通过训练合成的源域和已有的目标域数据,利用未标记的目标域来减轻域偏移,对齐源域和目标域之间的特征分布来调整模型,使其推广到目标数据集上。该模型使用编码器-解码器框架集成对抗性策略的领域自适应来进行识别,由识别器和域分类器两部分组成,借助梯度翻转层,进行对抗学习,实现领域自适应过程。本文分别在脱机手写体英文单词和脱机手写体中文文本行数据集上进行了实验,证明提出的模型能够达到和传统有监督方法相媲美的识别准确率,而不需任何昂贵且耗时的手动标记操作。