人工智能的发展给医疗行业注入了强大的活力,依托人工智能技术的医学辅助诊断系统,可以有效地解决“患多医少”的压力,同时也能减少医学中的误诊现象,减少医患纠纷的发生。将化验单图像内容准确转换成结构化数据是医学辅助诊断系统安全可靠运行的保证,此外患者手上的纸质化验单图像数据也是医疗大数据的重要来源,中文化验单包含了中英文、符号和数字等混排形式的字符,且目前尚缺乏相关的公开数据集,如何将化验单内容准确自动转换成结构化计算机可直接使用的数据,化验单图像内容识别技术尤为重要。本文依托计算机图像处理技术,对化验单内容识别技术相关算法进行了研究分析,设计了一套化验单内容提取系统。主要工作概括如下:首先,对化验单图像预处理算法进行分析研究,针对如何有效地从复杂背景下正确提取化验单图像区域,提出了使用融合算子对化验单图像进行边缘检测。相较于使用单一算子,该方法使得在背景复杂情况下,依然能很好地提取到化验单图像的边缘信息;研究了不同的化验单图像二值化算法,提出采用二维的大津算法对化验单图像进行二值化。该方法很好地解决了化验单图像在二值化过程中出现文字断裂和大量墨块问题。其次,深入研究了基于深度学习的化验单图像文本检测算法,提出了基于深度学习的多特征融合文本检测算法,该方法将VGG、Inception、Resnet特征提取网络融合到原始EAST算法中,能有效地解决以投影法为代表的传统检测算法得到的文本框不准确以及当前深度学习方法出现对文本框特别是长文本框出现漏检严重的现象。此外,对基于单字识别方式的化验单文本识别算法进行分析研究,并基于Tesseract-OCR单字识别模型,提出了本文改进方法。该方法使用本文提出的文本检测算法,代替原模型中的文本区域检测模块,配合Tesseract-OCR模型的识别模组进行识别任务,识别准确率得到极大的提升,但依然受限于模型字符分割的效果,对形近字和左右结构字识别效果不佳。于是提出了改进的CRNN端到端序列识别模型,该方法在CRNN的基础上,使用ResNet101-IBN（b）网络进行特征提取,并采用特征重用技巧,在加深网络深度的同时提升了模型的性能,识别准确率得到进一步的提升。最后,基于PyQt平台,开发了一套中文化验单内容提取系统,经过调试验证,该系统能较好地完成识别任务,将化验单图像内容转换成结构化数据,满足使用要求。