文字是人类社会信息交流的基本工具,在人们的生活中扮演了重要的角色。随着信息技术的发展,数以亿计的图像充斥在互联网的每一个角落,人们希望能够通过计算机来高效地理解和处理图像,而文字信息对于图像理解至关重要。因此,文本图像识别几十年来一直是一个热门研究方向。本文主要研究了文本图像识别的两个重要方向:中文文档图像识别和中文场景文本行识别。这两个问题具有一定的相似性,总体上都可以利用一个序列识别模型来处理。本文的主要研究工作和贡献如下:1.针对中文文档图像识别问题,本文研究了中文古籍文本行的识别与单字分割,首先通过一个基于注意力机制的序列识别模型来端到端地识别文本行图像,然后利用识别模型获取权重概率分布,最后根据坐标映射关系找到原图中的单字位置,实现了弱监督的文本行单字分割。本文的识别方法达到了96.83%的识别率,弱监督分割方法在交并比(Intersection over Union,IoU)为0.5的情况下达到了94%的精度。本文提出的方法能够在识别古籍文本行的同时给出单字的大致位置,可以应用到辅助标注系统中,降低标注单字的人力成本。2.为了解决中文场景文本行识别问题,本文提出了一种基于残差卷积和残差循环神经网络的文本行识别模型。中文的类别数大、结构复杂,需要层数更深、参数量更大的识别网络,这会导致梯度消失和爆炸的问题,限制了模型性能,而残差连接能够帮助梯度传播,使网络训练更加简单,最终达到更好的识别效果。单字识别率提升了3.76%,整行识别率提升了5.43%。3.在中文场景文本行识别问题中,为了提升注意力机制模型的识别效果,本文提出使用多头注意力机制来代替普通的注意力机制,多头注意力机制通过在切分的多个通道分别计算权重概率分布,可以关注到汉字的不同部分,具有模型集成的效果,能够提升中文文本行识别性能。单字识别率提升了4.87%,整行识别率提升了6.38%。4.基于中文文档图像识别和中文场景文本行识别的研究,本文对比了时域连接分类模型和注意力机制模型在中文文本识别任务中的表现,分析了时域连接分类模型和注意力机制模型在中文文本识别中的优缺点和各自适用的应用场景。