汉字具有类别众多和形近字繁多等特点,而且汉字的书写风格各不相同,这导致脱机手写汉字识别任务存在可探索的空间。近年来,深度学习发展迅速,深度卷积神经网络模型在脱机手写汉字识别任务上发挥着重要的作用,但是该模型通常需要大量的训练样本。对于手写汉字来说,除常用字外,其他汉字的样本不够充足,这给识别任务带来了一定的挑战。针对上述问题,本文从印刷体更具规范性的角度出发,使用印刷体帮助和指导脱机手写汉字的识别。本文的主要工作如下:1.提出基于印刷体指导的检索网络模型,用于脱机手写汉字字符识别任务。该模型在分类网络的基础上加入检索分支,同时引入印刷体作为查询库,在查询库中为脱机手写汉字字符检索到与其最相似的印刷体样本,并将该样本的类别作为预测结果。由于该网络是通过对比样本间的相似性实现目标识别的,因此在少样本学习和零次学习上更有优势。2.提出基于度量学习的模型改进方法,使模型提取的特征具有更好的空间分布。该方法在检索网络模型的基础上加入度量学习分支,使相同类别的样本分布更为集中,不同类别的样本分布更为疏远,进而提高模型的鲁棒性。最终模型在ICDAR-2013脱机手写汉字字符竞赛数据集上达到了97.69%的识别准确率,相比于现有相关研究,该结果有一定的提升。3.提出基于印刷体指导的三阶段实验方法,将印刷体指导手写体识别的思想扩展至脱机手写汉字文本识别任务中。该方法在第一、三阶段使用自定义生成的脱机手写汉字文本数据集训练卷积循环神经网络,在第二阶段将构造的单字符手写汉字文本数据集和对应的单字符印刷体文本数据集送入网络,仅训练网络卷积模块使其具有更强的特征提取能力,从而提升模型的识别效果。最终,经实验证明了该方法的有效性。