字符识别作为机器视觉领域的一项前沿研究方向,经过近些年的发展与研究,已经广泛应用于现实生活中的多个方面,尤其是在工业生产方面,字符识别技术在推动工业生产智能化方面正扮演着越来越重要的角色。由于工业生产环境复杂,比如产生运动模糊、位置变化,甚至出现遮挡物、光照条件变化、物理损伤、裂纹等一系列不确定性干扰因素,传统字符识别方法很难保证识别的准确性与高效性,严重制约了我国工业智能生产的发展进程。随着深度学习算法的不断发展,基于卷积神经网络的字符识别在机器视觉方面的收到了越来越多的关注。本文以卷积神经网络为基础构建了用于工业字符识别的集成网络模型结构,在字符识别尤其是工业环境下的字符识别下取得了良好的识别效果。本文的主要内容如下:(1)构建了用于模型训练的字符数据集。针对收集到的工业环境下的字符图像样本数量不足的情况,对数据集进行了适当的数据增强处理,建立的数据集包括ICDAR2003自然场景下的部分数据样本和经过数据增强处理后的工业字符图像。(2)针对卷积神经网络中网络参数对识别效果的影响设计了具体对比实验,探讨了卷积神经网络的网络参数对识别率的影响,如:神经网络的深度,卷积核尺寸的大小及其数量等等,为构建合适的卷积神经网络模型提供相对具体的参考信息。(3)分析了卷积神经网络模型卷积层与池化层对特征提取的影响,对卷积层与池化层所提取的部分特征图进行了可视化展示,针对传统模型进行单一特征提取的不足之处,提出了一种多级特征提取结构,并利用所建立的数据集对该方法的有效性进行了验证,相比传统的单级特征提取模型,识别率有明显改善。(4)结合集成学习Bagging算法与提出的多级特征提取结构,设计了三个进行模型集成的基本分类器结构,给出了一种基于卷积神经网络集成模型的字符识别算法,在建立的字符数据集上进行对比实验,验证了本文提出的集成模型算法的有效性,与传统卷积神经网络模型相比鲁棒性和泛化能力得到一定提高。