光学字符识别（Optical Character Recognition,OCR）作为计算机视觉领域中的重要分支,在自然场景与特定场景中都具有广泛的应用空间与研究价值。传统的字符识别方法在对于文档等简单背景的字符识别任务中已经取得了较大的成功,但对于较为复杂的特定场景中的符识别难免捉襟见肘。近年来随着卷积神经网络研究的不断深入,因其能轻易地提取数据间深层的特征关系,极大地提高了对于图像数据的处理效率,被广泛的应用在字符识别任务中。然而,通过研究发现,现有的深度学习字符识别方法在面对因各种原因导致形态不全的“低质量”字符数据时,识别效果均不够理想。由于深度学习方法需要通过大量的数据建立识别目标与标签间的可靠映射关系,然而在实际情况中“低质量”字符数据出现的频率较低,很难通过将数据大量地加入到后续训练中来提高神经网络的识别精度。对于此类情况,目前尚无较好的解决方案。为此,本文设计了一种新的解决思路,即首先通过生成对抗网络生成大量“低质量”字符数据,得到其与真实字符数据的混合数据集;其次通过设计出泛化能力更强的轻量级卷积神经网络对数据进行训练与识别。主要工作如下:（1）设计生成式对抗网络生成“低质量”数据。首先使用正常字符数据与语义草图组成数据对模型进行训练,在模型训练好后,通过绘制“低质量”数据的语义草图来生成低质量字符数据。以两种工业字符为例进行了低质量数据生成。同时使用传统生成式对抗网络进行对比试验证明设计的网络不仅能人为高效的引导“低质量”数据的数据生成,也使得整个过程更具可解释性。（2）设计了适用于字符识别任务的轻量级网络。既然“低质量”数据是源自实际应用场景的问题,那自然要能部署到实际场景才有意义。本文基于计算量、内存访问成本等因素,在设计轻量级网络时选取了适合任务的检测头、骨干网络、特征优化器、损失函数等结构,并对其中计算量过大的部分进行了改进,确保整个网络具备极高的部署友好性。在检测头损失函数部分的改进提升了网络字符检测边界的质量,为该网络在字符识别任务中的性能打下了重要的基础。最后在该轻量级网络上对正常数据与生成的“低质量”数据进行训练,设计对比实验并测试识别效果。并将模型部署在嵌入式设备上并进行了推理加速。本文设计的字符识别方法并非只适用于工业字符环境,只是为了展现实验效果才以工业字符数据为例。实际上各领域在应用环境中都会出现“低质量”数据,成为各领域识别问题中的重大难关（例如自然场景下因光照或遮挡而缺失的字符）。上述问题只要进行一定的调整,都能通过本文的方法提升模型对低质量数据的识别准确率。