在古代文档的研究中,往往需要将古籍扫描成图片后,进行数字化存储,随着存储的数据量越来越大,就需要建立检索机制。传统的文档字符检索中,对检索文字的匹配需要先进行字符分割的预处理,但是由于手写文档的随意性,导致其很难进行正确的分割,因此免分割的方法也就成为近年来的新的研究方向。目前,基于免分割预处理的手写文档检索的难点主要在,不同人的手写文字差异大,不同单词长度不一样,写法相近的单词容易错误识别等难点,为了避免分割过程中的误差,解决古文档检索的难处,同时提高检索的准确率,本文基于免分割的方法做了以下研究工作:(1)针对匹配准确率较低的问题,本文提出多层卷积特征,利用基于Visual Geometry Group(VGG)提出的网络模型,提取卷积神经网络层作为特征,利用选取的卷积网络特征提升系统的准确性。在训练和检索时,对索引图片、负样本图片提取混合层级卷积特征,利用新的特征训练Exemplar SVMs(E-SVMs)分类器,然后利用扫描窗口对文档候选区图片提取混合层级卷积特征,通过训练好的模型进行预测,最终本文的方法对20页文档的4860个索引图匹配的平均准确率均值(mean Average Precision,mAP)达到了57.6%,相较于原先使用HOG特征提升了6.8%。(2)针对短单词识别率较低、手写文字尺度大小差异的问题,本文基于图像金字塔的思想,提出多尺度E-SVMs分类模型,具体对不同尺寸的图像进行特征提取,针对不同尺度下提取的特征,训练3个针对不同尺度的E-SVMs模型,用随机梯度下降法拟合E-SVMs模型,并结合基于信息增益的权重融合,决定最终的候选区和相似度评分。该方法有效地提升了系统对单词长度为5以下的匹配mAP,达到了52%,相比不用多尺度的模型增加了2.7%的mAP。结合混合层级卷积特征,训练多尺度E-SVMs分类器,用该分类器来进行检索匹配,最终本文得到了58.7%的mAP。