近年来,光学字符识别（Optical character recognition,OCR）技术得到了非常广泛的应用,其相关算法也在字符检测和识别的运用中逐渐成熟。在工业场景下,铸造工件上的标识字符有着举足轻重的作用,通过标识字符可以查询到整个铸造过程中各个环节的详细信息。如果利用OCR技术去自动识别标识字符将大幅减少人们的工作,提高工作效率。但是在背景与字符低对比度的情况下,传统的OCR技术存在抗干扰能力差,识别准确率不高等问题。因此,研究低对比度下铸件标识字符的检测和识别技术,具有重要的实际意义。本文主要工作是基于OCR技术对铸件标识字符进行检测与识别。针对铸造工艺过程中白模挂涂、铸件补漆后标识字符较为模糊,背景和字符对比度低,从而导致检测和识别难度增加的问题,本文通过结合深度学习对此进行研究。具体内容如下:（1）总结了OCR的相关技术和理论。对深度学习理论中神经网络相关技术进行阐述。（2）在字符检测问题上,通过对收集到的真实数据进行灰度化处理,再利用基于连接Proposal网络的文本检测（Connectionist Text Proposal Network,CTPN）算法对铸件标识字符进行检测,经过实验验证,相较于基于滑动窗口的传统检测算法,CTPN在包含铸件标识字符的数据集上F-Score值达到了0.73,很好的完成了低对比度下铸件标识字符检测的任务。最后将检测到字符部分裁剪,便于完成后续的识别任务。（3）在字符识别问题上,使用一种基于卷积循环神经网络（Convolutional Recurrent Neural Network,CRNN）与连接时域分类（Connectionist Temporal Classification,CTC）的端对端光学字符识别模型,该模型在卷积层基于VGGNet16进行了简化和改进,又利用旋转、加噪、调整亮度和对比度的数据增广方法解决了样本数量少的问题,然后根据实验对比选择合适的模型参数,实现了低对比度下铸造工件标识字符的识别。实验结果表明,改进后的字符识别模型稳定、识别率高,对相似字符具有较好的鲁棒性。最终本文结合铸件标识字符检测模块和识别模块,实现了一个完整的OCR模型。在实验的对比中,结合了检测和识别模块的完整OCR模型相较于其他算法,在识别铸造工件标识字符上也有一定的提升,具有较好的性能。