表格按照行和列的方式来组织数据,是一种非常有效的数据格式。表格数据广泛应用在人们日常的生产和生活中,如会议日程、财务报告和信用卡消费记录等。虽然人们可以很容易理解不同风格和布局的表格,但是对于机器而言,自动化地识别并理解各式各样的表格仍是一个不小的挑战。考虑到线上和线下文档中拥有着大量的非结构化表格数据（如图像文件和PDF文档）,自动化的表格结构识别方法将有助于大规模的表格数据分析工作。较早的表格结构识别方法通常使用手工设计的特征,并结合启发式规则和统计先验,仅在受约束的场景下表现较好,缺少泛化性。近些年,基于深度学习的方法一般将一个表格建模成一个标记语言序列或者一个表示不同单元格相对位置关系的邻接矩阵,却忽略了单元格逻辑位置的重要性。考虑到已有工作的不足,本文以表格的图结构为核心,针对表格结构识别问题展开了一系列深入的研究:（1）提出一种基于单元格邻域关系的图表示方法,用来表示表格结构,并推理表格中单元格的逻辑位置。该方法首先通过一个单元格关系网络来检测每个单元格的邻域单元格,并使用一种基于距离的样本权重来解决类别不平衡的问题。根据检测到的单元格关系,该方法构建一个带权的图来推理每个单元格的逻辑位置。为了验证方法的有效性,我们收集并人工标注了一个包含238张图像,共476个表格的中文医疗化验单图像数据集。该工作初步尝试了表格的图结构表示,实验结果验证了其有效性。（2）提出了表格图重构,用来重新形式化表格结构识别问题,并提出了一个端到端表格图重构网络模型用来解决该问题。该模型使用一个基于图像分割的分支来检测单元格的空间位置,并将单元格的逻辑位置预测看作是一个有序分类问题来解决。此外,我们对TABLE2LATEX-450K数据集重新标注,生成了一个包含350K表格图标注的新基准数据集。该工作将表格的图结构与深度学习方法进行了深度融合。单元格空间位置与逻辑位置的联合预测也使得表格结构的表示更具泛化性,更容易和表格分析与理解任务相关联。（3）提出了基于关键点回归和稠密上下文的表格图重构网络模型,用来改进表格图重构网络模型。针对单元格尺度变化大、空间位置检测不准确的问题,该工作在单元格分割的基础上,进一步检测每个单元格内的关键点,并回归这些关键点至单元格顶点的相对距离。在表格图重构网络中,为了避免图卷积网络在训练时的过平滑问题,使用结点间的距离定义表格图的邻接矩阵,使得单元格之间的连接变稀疏,而这也导致单元格不能获取远距离单元格结点信息的问题。为了解决该问题,该工作提出使用带掩码的Transformer模型进行改进。实验结果表明,改进后的表格图重构网络在单元格空间位置检测和逻辑位置预测上都取得了更好的性能。（4）构建了一个表格视觉问答演示系统,用来展示了表格结构识别在下游表格解析任务中所发挥的作用。该系统将所提的表格结构识别方法与弱监督的表格解析模型相结合,对于输入的一张表格图像和一个与之相关的问题,首先通过表格图重构网络将非结构化的表格转化为半结构化的格式,然后将半结构化的表格和文本格式的问题进行分词并表示成特征序列。最后,表格和问题的特征序列被输入到一个表格解析模型中得到预测的答案。通过上述研究,本文建立了一套完整的端到端表格结构识别算法,展示了算法的可行性,为今后的表格结构识别研究提供了新的思路。