光学文字识别(Optical Character Recognition,简称OCR)是计算机视觉领域的基础课题之一。自然场景下的汉字识别至今仍然存在着一定的提升空间,尤其在不平衡、稀缺训练集上的汉字识别效果并不理想。近些年随着深度学习的飞速发展,自然场景中的文字识别取得了巨大的成就。特别对于文字符号偏少的语种(如英文仅有26个字母),深度学习已经能够达到甚至超越人眼的识别性能。然而对于文字符号复杂并且数量偏大的语种(如中文常用字就有3000多字),受样本不均衡,训练样本稀缺等因素的影响,深度学习方法仍然不能达到理想的识别性能。本文以中文汉字识别为研究对象,针对现有的汉字识别算法在实际应用中所面临的关键技术难题进行了深入的研究与讨论。本文的主要贡献包括以下四个方面:第一,提出了基于聚焦CTC损失的非平衡汉字识别方法。深度学习模型在汉字识别任务的训练过程中不可避免的面临训练数据不平衡的问题,导致低频文字无法得到充分的训练,从而影响模型的整体性能。本文提出的聚焦CTC是一种新型的序列分类损失函数,该方法能够在不对训练数据做人为调整的情况下,使模型在训练过程中自动地向未充分学习的样本倾斜,有效缓解了数据失衡带来的影响,从而提升了模型的整体性能。第二,提出了基于精简稠密网络的汉字识别方法。由于汉字识别难度大,需要使用相对大型的骨干网络提取特征,这不仅增加了模型的训练难度,而且增加了模型推理的耗时。本文中,我们提出了一种稠密网络的精简方法,该方法在几乎不影响原始网络性能的基础上,有效的减小了模型规模以及推理耗时。第三,提出了基于元学习的手写汉字识别方法。手写汉字识别是文字识别领域最具挑战的课题。由于手写字体种类繁多且训练语料稀缺,导致模型训练困难。本文探索了元学习在汉字识别领域的可行性,提出了基于元学习的手写汉字识别方法,该方法能够在一定程度上缓解训练语料稀缺的问题。第四,提出了基于提升迭代法的汉字识别抗攻击方法。在汉字识别过程中,神经网络模型容易受到对抗样本的攻击,从而使得识别模型会对某些在人眼看来简单的测试样本作出严重误判。本文提出了一种有效的汉字识别抗攻击方法,可以有效避免识别模型遭受对抗样本的攻击。我们的方法有效提升了汉字识别模型的稳定性。