甲骨文是中国最古老的文字体系,它是汉字的起源,也是中华民族优秀传统文化的根。甲骨文识别的任务是确定甲骨文的字符类别,它是完成甲骨文释读的必要前提条件。目前,对拓片上的甲骨文进行自动文字识别工作主要依赖专家的特征工程。工作内容复杂且工作量大,需要大量的人工成本和时间成本。所以对甲骨文进行自动图像识别具有重要研究价值。目前卷积神经网络在图像识别域已经取得了很大的成果。本文利用卷积神经网络中的ResNet-50网络模型对甲骨文字识别进行研究。通过改变卷积核尺寸以及对模型参数和算法进行调整优化,设计出了具有较好识别能力的甲骨文字识别模型。并将该模型与其他五种经典的卷积神经网络进行了对比实验。实验结果证明该模型可达到较高的识别精度,具有较高的甲骨文图像识别能力。本文的主要研究内容包括:第一,对用于实验的甲骨文数据集进行预处理操作。原始的甲骨文数据集包括300个甲骨文文字类别,每个类别统一分配120张图片,共36000张图片。数据预处理操作包括数据集扩充、图像去噪以及对其进行图像尺寸归一化。其中数据集扩充采用了图片剪裁和图像几何变换的方式,图像几何变换采取了旋转、平移以及弹性形变的方法。图像去噪使用了注意力生成对抗网络,构造去噪网络模型对甲骨文图片进行去噪处理。图像尺寸归一化使用的是双线性插值法,将数据集中所有的图片尺寸都调整为统一的224*224像素。扩充后每个图像类别中包含的图片数量为960张,是原有数据集的8倍。第二,提出改进的ResNet-50网络模型。由于甲骨文的字符为长方形,该模型改变了初始模型的卷积层中部分卷积核的尺寸,将部分正方形卷积核改为长方形卷积核。接着对ResNet网络模型的优化进行研究,通过基于控制变量法的实验比较各个方法对模型的优化效果,并确定最终的优化方案。最终的方案为batch＿size值设为64、使用Adam优化算法、使用分段常数学习率衰减方式。优化后的模型识别准确率达到87.43%,比原始模型提升了7.38%。最后将改进的网络模型与其他五个经典卷积神经网络模型进行了对比试验。实验结果表明,本文提出的“改进的ResNet-50”网络模型具有最高的识别准确率。第三,设计并实现甲骨文识别系统。将前期工作进行整合,包括图像去噪算法、图像识别算法等,搭建了甲骨文识别系统。系统使用训练好的图像去噪网络对用户上传到系统的甲骨文图片进行去噪处理。然后将其输入到训练好的基于“改进ResNet-50”的图像识别网络中进行识别,最后将识别结果输出到前端页面中。