现代工业、商业、日常经济活动的繁荣,促使人们频繁使用发票等税务票据,而常规手动管理税务票据费事费力,随着信息技术的发展,这项工作大多交由计算机完成,而传统的人工手动录入税务票据信息的方式,面对急剧增长的税务票据,无法满足人们的要求,且错误率高、时效性差。因此借助信息化手段,提高税务票据信息处理能力,处理效率,准确率,实现税务票据自动识别是解决问题的有效办法。税务票据识别是字符识别技术的实践与应用。本课题首先整理总结了国内外字符识别技术的现状及研究方法,重点介绍了基于神经网络的深度学习方法。并对税务票据自动识别系统进行需求分析、业务流程、架构设计及实现,提出基于Dense Convolutional Network(DenseNet)加 Bidirectional-LSTM(BLSTM)的税务票据内容识别模型。主要工作内容如下:(1)针对税务票据图像的预处理问题,采用OpenCV对图像进行灰度化处理去除不必要的彩色信息;再采用自适应中值滤波器对图像进行降噪处理去除噪音;采用Radon变化对图像进行倾斜校正;最后对图像进行分割定位以便精确提取所需内容。(2)针对税务票据的内容识别问题,仔细研究卷积神经网络的优缺点,采用DenseNet对预处理后的图像进行内容识别提取,并辅以LSTM(Long Short-Term Memory)生成文本长短句,提高识别准确率。针对DenseNet+BLSTM网络结构进行测试验证,确定税务票据识别模型。(3)研究了税务票据自动识别系统功能和非功能性需求,并以需求分析为准线定义业务流程,进行系统架构和数据库设计及实现,设计测试用例对系统进行测试,验证功能正确性。税务票据自动识别系统采用DenseNet+BLSTM网络结构的税务票据识别模型,去除了传统OCR中字符识别的字符分解和字符分类等繁琐步骤,经过多次试验,在识别精度方面获得了较好的实验结果,在税务票据数据集识别中准确率达到93%以上。