计算机技术的迅猛发展,人类已经进入到信息化、大数据、云计算的时代。作为信息的载体,纸张目前已无法满足人们进行即时信息的保存、学习,编辑,研究传承的需要。而图片随着具有拍摄功能的智能手机的普及和发展,已成为人们表情达意的重要信息载体。如何从海量图像中读取文字信息,获取图像表达语义成为了目前图像处理领域的主要研究热点。图像文字识别是将文字图像智能识别为可编辑文本的技术。随着深度学习的兴起,目前图像文字识别的主流网络模型主要有卷积神经网络CNN（Convolutional Neural Network）、循环神经网络RNN（Recurrent Neural Network）和生成对抗网络（Generate adversarial Network）。本文在整理图像文字识别方法以及相关网络模型的基础上,对如何扩充规模较小的手写体文字数据集以及如何补全残缺图像的手写体蒙古文字元识别构建模型进行了深入研究。主要研究工作如下:（1）引入融合边缘注意力的数据增强方法目前,手写蒙古文数据集存在规模小多样性较差的问题。针对这一问题,对现有的数据增强方法及相关网络技术进行了梳理,分析数据增强方法在手写蒙古文字元任务中存在的优劣。基于条件生成对抗网络可控生成图像方向的思想,提出融合边缘注意力数据增强模型。将字元的边缘信息作为约束,同时引入边缘注意力机制和特征多样正则项,使得生成数据对字元边缘变化更加敏感,生成样本更具多样性。（2）提出补全网络残缺的手写蒙古文图像在识别时会造成识别错误甚至无法识别的问题,本文基于图像增强方法启发,提出基于生成对抗网络融合图像重构思想的手写文字补全网络。补全网络能够有效的弥补残缺图像的文字结构,帮助识别模型更好地捕获文字结构特征,以便于减少因图像残缺所造成的噪音,来有效提高蒙古文字元识别模型的适应性。（3）提出手写蒙古文字元规范网络图像文字识别任务中,手写体文字因风格迥异一直是基于深度学习技术构建文字识别模型的巨大挑战。本文基于图像翻译方法的启发,提出基于生成对抗网络融合图像翻译思想的手写体蒙古文字元规范网络。手写蒙古文字元规范网络将手写体转化为印刷体,在一定程度上消除了手写体蒙古文字元的手写风格,能够有效帮助识别网络捕获文字语义信息,来提升识别模型的稳健性。