文档图像的版面分析在信息数字化时代下有着巨大的存在意义与价值,越来越多的OCR结果更加依赖版面分析的结果,它是OCR中最重要的部分之一,同时文档图像的版面分析使得纸质文档在数字话的过程中越来越简单便利。当今,版面分析技术在很多领域都扮演着重要的角色,例如:文档检索,自动化批改作业,银行单据识别,纸质文档数字化等。传统的版面分析算法分为如下几类:自顶向下、混合法、自底向上,这些方法虽然在版面分析上都取得了一定的成果,但同时它们都存在一定的局限性,如运行时间过长、分析准确性不高、过度依赖二值化的结果,因此很多时候也无法满足使用需求。近几年由于全卷积神经网络（FCN）在图像分割任务中的流行,也有人基于此方法在非结构化文档版面分析中尝试使用语义分割模型,并取得了不错的效果。尽管语义分割模型在非结构化文档版面分析任务中表现不错,这个方法也存在一定的局限性。第一,通常的语义分割模型需要使用大量带注释的图像进行训练才能获取较为理想的结果,因此对训练样本的要求极为严苛;第二,当出现一种新的类别的时候,通常的语义分割模型没办法做处理,这个时候又需要针对这个新的类别从头开始训练,又会消耗大量的时间。本文首先基于传统方法在拍照图片上尝试了版面分析任务,获得了比较理想的结果,但是依然存在一些问题需要去解决。然后本文在语义分割模型的基础上,提出了一种新方法,称为小样本原型对准正则化网络（FS-PARN）,即通过少量的标注样本就可以实现非结构化文档的版面分析任务。本文的FS-PARN方法的灵感来自于最近比较热门的的度量学习和小样本分割的研究,通过结合这两个方向的研究成果,只需要少量的标注图像就可以解决上述两个难题。本文的FS-PARN方法通过度量学习可以更好地利用支持集的信息,即在一个嵌入空间内学习分类原型,然后通过将查询图像上的每个像素与学习到的原型进行匹配来完成像素分类,这样对图像分割有更好的效果。除了通过度量学习方法获得高质量的原型外,本文的FS-PARN方法还引入了支持集和查询集之间的原型对齐正则方法化,使分割更好。除此之外,本文在特征提取模块还加入了注意力机制,最终获得了更好的版面分析结果。本文中得FS-PARN模型在实际文档图像数据集PASCAL-5i、DSSE-200和Layout Analysis数据集上对应的1-shot和5-shot方法的平均iou结果为28.8%和31.7%。在本文最后,基于当前研究现状,讨论了对于非结构化文档版面分析值得进一步探索和研究的方向。