人工智能的新时代的到来对人们的生活方式也带来了巨大的改变,深度学习作为人工智能的一个分支已经被广泛地使用到各个领域,它扩大了人工智能的领域,其中在特定环境下的字符检测和字符识别已经成功地应用。随着汽车与人工智能的不断结合,汽车电路图也更加精细和复杂,并且由于当前我国生产汽车型号的汽车电路图与国外些许差异,这使维修人员在汽车维修时降低了人工识别的效率且难度增加。深度学习中的字符识别技术可以对汽车电路图进行信息提取,将图片信息转化为文本信息,通过汽车电路维修协助系统将大大提高对汽车电路图的读取效率同时对维修人员的检修工作提供了重要的协助。在实际应用中通常使用传统算法来对图像中的字符进行识别和提取,但是由于人工制定特征不普遍,使应用具有一定的局限性。常用的目标检测算法在实时性和准确性虽有一定程度地提高但仍有很大的改进空间,字符识别算法不仅在传输过程中会产生信息损失且提高了计算成本,在区分不同的姿势和和其他方面的差异性的效果不是很好。因此本文创新地使用了如今发展相对成熟的人工神经网络实现对于汽车电路图的字符提取,从字符检测和字符识别两个方面设计系统。人工神经网络训练得到的网络模型具有很强的泛化性,提高字符识别的速度和准确性。结合对于本文实现的特定场景对汽车电路图进行分析,通过对深度学习的发展确定研究方向来明确任务目的,采用卷积神经网络和胶囊神经网络实现识别任务,对汽车电路图的读取简化为字符检测和字符分类两个部分完成,根据字符图像信息的特征分别对网络进行设计。其中字符检测的部分,基于改进的Yolo v3网络模型对字符区域进行定位和检测,通过将BN层合并到卷积层中,将网络模型进行了轻量化,在不改变结果和性能的前提下提高了网络的速度。采用多个数值范围融合的方式做预测,提高算法检测的精确度。字符识别部分采用基于胶囊神经网络模型,该网络保留检测对象的位置和姿态的细节信息,同时只需要训练相对于卷积神经网络很小的数据集就能达到同等水平,这在保证分类效果的前提下,减少了训练数据集的规模和训练时间,更适于实际应用中。最后,本文尽可能收集全面的汽车电路图并进行人工标注,将数据集输入到字符检测网络中提取字符图形信息,再将割据的有效图像经过预处理后形成的数据集输入到字符识别网络中进行分类,达到对于汽车电路图的字符信息进行识别的目的。