汉字由于本身具有字体风格多样、字符集巨大、字符相似性高等特征,因此比英文字母更加难以识别,这就给识别研究带来了很大的挑战性。而中文票据则由于版面更为复杂包含各种印章、表格、不规则图案等,因此比普通的标准中文文档更具挑战性。目前市场上虽然有各种型号的OCR设备,号称识别率可达99.99%,但是在现实情况中,除名片、身份证等类的表面图案复杂度低、面积较小、不易弯折、字体结构比较单一的类别的目标物时比较容易识别,其它类似于票据类的薄纸质类目标物,目前市场上的OCR产品对带有中文的票据类目标物识别效果都不算太理想,有待进一步改进。本课题结合一些传统图像处理算法和目前性能比较好的几个深度神经网络的算法,对传统中文票据识别系统做了一些改进和优化,本课题主要做了如下几点的工作:首先,训练样本的制作部分,训练数据集增广的方法除了采用了传统的仿射变换和加随机噪声的方法外,还引入了条件生成对抗网络,对训练样本做了比较好的扩充,将十分有利于后面识别模型的训练。其次,识别模型部分,采用了深度卷积神经网络,本课题将目前性能比较优良的几个神经网络分类算法架构,根据本课题的实际需求做了一下结构上的调整,通过实验我们得到了几个比较好的参数模型,并将它用于我们的最终项目中。再其次,识别模型的部署部分,我们引入了神经网络加速运算棒。采用了先在本地PC机上部署,然后上传服务器的方案,替代了以前客户端只负责上传票据图片服务器负责运算的方案。最后,识别后的结果纠错部分,在现实情况中由于光照不均或者票据图片有少量破损的情况不可避免的会出现,切割的时候文字难免会出现有残缺的情况出现,这里我们将自然语言处理的算法引入到纠错模型中,即LSTM网络与识别模型相结合的方法。