目前,OCR技术对简单版面的分析已经解决并得到了一定的普及,然而随着信息时代的到来,文本图像的版面已经不再是简单的文字和图形的组合,而是涵盖了文本、表格、图形和图像等多种内容,它是一种更加综合的形式,OCR对这种繁杂的版面识别效果不是很好,甚至无法进行有效地分析。因此,进行OCR识别前须对复杂版面进行有效地分析。传统的版面分析方法如:连通域法、投影法等已变得愈发不实用,运行时间过长、分析准确性不高,无法满足用户的需求;近年来,模式识别和机器学习中的许多方法运用到了版面分析中,支持向量机(SVM)便是其中一个,在结构风险最小化原则的基础上,运用核函数技术使低维到高维空间的非线性映射得以实现,其结构风险最小化原则避免了过拟合现象,提高了学习机的泛化能力,能够有效的处理复杂版面。本文针对报纸、科技论文、网页等具有复杂版面的图像,提出了一种基于机器学习的复杂版面分析方法,主要内容如下:1.从图像的关键特征入手,选择了图像的灰度、形状、纹理及相位一致性统计特征,并针对纹理特征中的灰度共生矩阵(GLCM)算法进行了深入的研究,结合和差统计法对其进行改进。通过后续的训练和测试证明,该方法能减少特征提取的计算时间和存储空间,并可达到良好的版面分析效果。2.针对复杂背景下的版面分割,选用支持向量机(SVM)和BP神经网络两种方法对图像中的文本区域进行了分割提取工作,并根据实验结果进行了对比与分析。3.在对分割后的版面进行分类的过程中,详细研究了支持向量机(SVM)实现多分类的方法,并针对其中存在的不可分区域问题,提出了一种基于距离测度的改进方法。经过测试,改进后的方法能够进一步提升版面分类的准确性。实验表明,本文采用的方法能够针对具有复杂版面的图像进行有效的版面分析,且其具有速度快、分析准的特点,有一定的应用前景。