光学字符识别是计算机视觉领域的一个热门研究方向,尤其是近年来随着深度学习的不断发展,场景文本识别的研究被推至高潮。银行票据作为一种特殊的场景,它的广泛使用使得字符识别技术在票据中的应用具有非常重要的研究意义,能够大大提高工作效率。票据中分为手写体和印刷体两种,前者一般手写不规范,字符的大小、间隔等差异也较大,而且有时伴随噪声的干扰,这些因素都会增加识别的难度。本文主要针对票据中的手写字符进行识别,根据汉字和数字的特点以及实际票据中遇到的困难分别采取不同的解决方法。本文的主要研究内容和成果如下:(1)针对基于过分割-识别方法中的集束搜索模块在字符失真票据中容易受到模糊字符干扰的缺点,提出了一种基于CNN图像识别和Bi-gram语义的可靠性优先的路径搜索算法RFBS(Reliable First Beam Search),通过优先搜索可靠性更高的区间提高了手写公司名识别的准确率。此外,根据公司名的结构特点提出了一种前后缀推断策略,有效解决了前后缀识别错误的问题。最后,利用结巴中文分词和字符位置信息检查识别结果中的错误字符,并在传统的字形相似度基础上引入了汉字部件相似度,再结合LSTM语言模型进行纠错。实验结果表明,结合RFBS算法和纠错方法的公司名的字符识别准确率达到了93.08%,相比传统的集束搜索算法提升效果显著。而且,通过消融实验也验证了加入汉字部件相似度对纠错效果的有效性。(2)针对现有方法在识别票据中较长的手写数字串图像存在的局限性,提出了一种基于预分割的端到端手写数字串识别方法。分割阶段使用Mask差值匀光法去除图像背景后,根据连通区分割、组合得到的坐标在原始RGB图像上分割出多个子图像。识别阶段采用以Res Net、Bi-LSTM、CTC为核心搭建的模型,具有很强的特征表示和学习能力。另外,为了训练端到端识别模型,通过提取实际票据的背景和字体颜色,再结合多种数据增强技术合成了大量不同长度的模拟票据数字串图像。实验结果表明,所提出的方法能够将识别结果与真实标签的平均编辑距离降低至0.088,其效果优于分割-识别方法和一般的端到端识别方法。