随着计算机技术的发展,自动化、智能化业务系统的需求日益增长。机打票据在企事业中被普遍应用,业务流程中信息的自动识别对成本节约具有重要意义。然而,现有的方法大多要求专业的图像采集设备,识别效率也有很大的提升空间。因此,研究简单且成本低廉的机打票据识别系统具有重要的现实意义。传统的光学字符识别（Optical Character Recognition,OCR）开源软件仅仅可以对文章等简单文本内容进行逐行文字识别。随着深度学习的发展,神经网络在文字检测和文字识别方面都有了长足进步,但在票据结构化识别上,网络并不能解决票据的关键字和内容（Key and Value Structures,KV）提取问题。同时,由于票据公开数据集稀缺,对中小企业来说票据数据的获取和标注费时费力,票据识别系统的训练和部署成本高昂。对此,本文提出了一种新的机打票据识别框架,能够成功识别如手机等移动设备拍摄的票据,并且此框架可以很容易的扩展票据识别的种类。本文的主要贡献如下所述:（1）本文提出了一种新的机打票据识别框架。具体来说,我们提出了一种基于透视投影和连接主义者文本建议网络（CTPN）的图像预处理算法来纠正扭曲的发票图像。然后,通过模板匹配结合坐标微调方法提取准确的KV结构,大幅度降低了票据KV结构的漏检率。此外,本文采用卷积递归神经网络（CRNN）和类Le Net神经网络联合进行字符识别,提高了票据文本的识别正确率。（2）本文提出了一种主动学习网络和一种生成对抗网络训练策略。通过主动学习方法改进CRNN网络,提出了一种添加主动学习模块的CRNN网络和训练方式。对从实际场景收集的机打发票和开源ICDAR数据集进行了相关的实验,在充足数据场景和小数据场景下的比较结果表明了我们的方法可以以更低廉的成本训练模型,并有效提升模型的准确率。此外,为了在小数据场景下进一步改进所提出的模型,我们采用生成对抗网络（GAN）扩展训练样本,实验证明了我们的数据生成方式在票据识别中能明显提高准确率。（3）本文结合实际的票据识别项目实现了一个完整的机打票据识别系统。将本文提出的票据矫正、KV结构提取、文本识别算法应用到销售发票识别、身份证识别等具体识别场景中,该系统部署简单,运行效果良好。