深度学习近年来被广泛应用在字符识别、图像识别、语音识别及其他领域中,而且都取得了显著的成效。而卷积神经网络作为深度学习里重要的一个算法,因其良好的特征表现能力而备受关注。字符识别因实际需求,也变得越来越热门,更多的人开始进行字符识别方法的研究,如车牌字符识别、芯片字符识别、身份证号字符识别、自然场景文本识别等。货运列车作为我国运输业中经常使用的运输方式,其自动化管理必将越来越受到重视。而货运列车字符识别作为其中重要的一环,也面临着更大的困难和挑战。本文对于实际场景中的货运列车字符,基于深度学习方法,通过构建不同的深度神经网络来进行字符识别研究,主要工作如下:（1）设计了基于Inception网络的货运列车字符识别方法。分析了Inception网络的结构和性能,设计了基于Inception网络的字符识别模型,在特征提取网络加入多尺度特征提取模块和Inception模块。在前部网络层加入大小不同的卷积来进行多尺度特征提取,并进行特征融合,然后借鉴Inception网络模块多支路能够学习不同尺度特征的优点,设计了新的网络结构。再将提取的特征输入blstm层进行序列预测,最后使用CTC进行字符转录。实验结果证明,基于Inception网络的识别模型显著提高了货运列车字符的识别率。（2）设计了基于Densenet-Inception网络的货运列车字符识别方法。为了获取更多的底层信息和图像特征细节,提高特征提取能力,本章采用了Densenet,分析了Densenet在特征提取上的优越性。在保留Densenet特征重用的优点上,引入Inception网络模块,将Densenet和Inception网络结合,构成新的DensenetInception网络。实验结果证明,改进后的网络模型对于货运列车字符数据集的识别率有所提高。（3）搭建并实现了货运列车字符识别系统。该系统使用C++语言和Qt5图形界面设计工具,将East字符检测定位算法和本文设计的字符识别模型相结合,对货运列车字符图像进行字符识别。