随着计算机技术的发展,笔记本电脑的功能愈发强大,组成结构也愈发繁琐,这就对其稳定性测试带来了一定的挑战。BIOS（Basic Input Output System）作为计算机最底层的一环,是直接沟通协调各主要硬件设备的控制者,传统手工测试BIOS的方法已逐渐无法满足当前对笔记本电脑稳定性的测试需求,而利用自动化测试手段能实现高效可靠的测试流程。由于BIOS中无法直接运行现有的自动化测试工具,因此本文利用深度学习技术对笔记本BIOS界面进行图像解析,分别完成BIOS界面文本识别、文本行定位和笔记本开机Logo识别三个任务,从而实现对笔记本的自动控制。主要工作及成果如下:（1）为识别BIOS界面中的文本信息,针对文本识别模型CRNN进行探讨,以降低模型参数量、提高识别准确率为目标对CRNN结构进行优化,并设计了一套基于卷积神经网络和注意力机制的文本识别网络SSS-Net。该网络集成了条纹卷积和注意力机制,将其以模块化的方式加入到文本识别框架中,并在公开数据集中验证了其水平文本识别的性能表现,和同等卷积神经网络特征提取部分的CRNN框架相比,拥有更高的识别精度,且参数量仅为CRNN的1/4。（2）为实现自动进入BIOS的功能需求,设计了基于Res Net的Logo识别框架,并在残差块结构中加入SE模块结构,根据构建的BIOS数据集中的性能表现确定具体网络框架结构。（3）为定位BIOS中文本行的具体位置,构建了基于卷积神经网络和循环神经网络的文本检测框架。其中利用VGG16进行特征提取,利用双向GRU（Bi-directional Gated Recurrent Unit）进行文本行连续性的序列信息整合。将文本检测框架与文本识别框架SSS-Net拼接,构成完整的OCR（Optical Character Recognition）框架,以完成对BIOS界面的文本检测与识别的完整任务。根据构建的BIOS数据集于实际应用中测试,验证了OCR框架的实际应用性能。（4）将Logo识别框架和OCR框架进行组合,配合其他硬件设备构建了用于BIOS的自动化测试系统Biz Bios Test,实现了完整的BIOS自动化测试流程。本文首先在公开数据集中对比了文本识别网络SSS-Net和CRNN的性能表现,实验结果表明本文提出的文本识别框架相比于CRNN对字符的具体位置更加敏感,以更低的参数量有效获取图像文本特征,使得识别精度更高,为图像文本探索出一种新的识别方法。其次,将本文构建的文本识别SSS-Net、文本检测框架和笔记本Logo识别框架分别在构建的BIOS数据集中进行训练,并应用于实际任务。实验验证了其对BIOS界面文本检测与文本识别任务和Logo识别任务的性能表现。最后配合硬件设备,实现了对笔记本BIOS的完全自动化控制,极大的节约了人力成本,提高了测试效率。