随着光学字符识别研究的不断深入以及计算机技术的快速发展,基于深度学习的字符识别方法已成为工业领域中的一个研究热点。字符的自动化识别可以帮助企业提升质检、排序和分类等工作效率,在工业生产过程中发挥着重要的作用。本文针对半导体芯片字符和乳制品外包装喷码字符两种情况,分别构建了不同的卷积神经网络模型,并针对两种字符识别面临的问题对模型进行改进。主要工作如下:1)针对半导体芯片字符尺寸小、字体样式较多等特点导致字符识别准确率较低的问题,提出了一种基于改进YOLOv4的字符识别算法。该算法由字符区域定位网络和字符识别网络两部分构成。字符区域定位网络负责定位图像中字符区域的位置并裁剪,为得到准确快速的定位效果,将YOLOv4的骨干网络CSPDarknet53替换为Mobile Net-v2。字符识别网络负责识别芯片字符区域中的字符,为减少图像几何变换带来的影响,在YOLOv4模型中加入STN（Spatial Transformer Networks）以提升卷积的空间特征表达能力和数据几何变换的鲁棒性。为进一步提升小字符的识别精度、加速模型收敛,在YOLOv4-STN模型中使用了注意力机制、深度可分离卷积和数据增强的优化策略。实验结果表明,将字符区域定位网络和字符识别网络进行级联得到的识别准确率可以达到98.50%。2)针对工业场景中半导体芯片呈任意方向排布导致印刷字符朝向不统一、角度多样的问题,提出了一种基于改进YOLOv5的多角度字符识别算法。该算法采用基于180度的长边定义法对字符进行标注,有效的将字符与背景分离。引入了环形平滑标签将角度的回归问题转化为分类问题,避免出现长边定义法中存在的角度周期性问题。使用CIo U（Complete Intersection over Union）作为边界框回归损失函数,更加稳定的实现了边界框回归。实验结果表明,该算法的识别准确率为94.00%。3)针对乳制品外包装喷码字符图像的复杂背景以及喷码字符的自身特点,设计了一种基于经典图像处理技术和深度学习技术的字符识别算法。首先根据喷码字符图像的特点,通过对原始图像三个通道的像素值进行处理的方式区分出字符和背景。然后在二值图像的基础上提取字符区域并矫正。接着使用两种投影法对裁剪后的字符区域进行分割得到单个字符图像。最后构建了一种适用于喷码字符识别的残差网络模型。实验结果表明,该算法的识别正确率为99.34%。