光学字符识别技术(Optical Character Recognition)是一类通过电子设备扫描文本,从而将文本上内容翻译成计算机文字的技术。随着大数据时代的到来,人类每年产生的数据正在以指数的形式增长,如何有效且快速的从文本,图像,视频中提取到用户感兴趣的信息得到了越来越多研究者的关注。传统的光学字符识别技术基于人为手工设计特征,对于复杂背景,光照,扭曲等环境下的字符识别效果较差。近些年来随着以深度学习技术为核心的新一代文本检测技术的出现,光学字符识别效果取得巨大突破。深度学习技术可以从海量数据中学习到最具有鲁棒特征的分类信息,极大提高了图像识别与目标检测的准确率。但是该技术极其依赖大量数据来修正卷积神经网络参数,提高模型泛化能力。本文针对答题卡中的手写数字检测与识别任务,采用深度卷积神经网络设计了一套自动累分算法。该算法由检测模型与识别模型合作完成统分任务,同时通过优化模型超参数与结构,提高模型的泛化能力与检测速度。并针对检测数字倾斜导致无法识别的问题,设计了一个倾斜校正算法,提高了识别算法的可靠性。本文的主要工作如下:(1)针对传统多位手写数字识别算法无法分割连笔数字以及预处理过程中造成的图像失真导致识别准确率低的问题,采用卷积循环神经网络算法(CRNN)训练了一个能够端到端识别多位手写数字的模型,该算法无需预处理,并通过实验证明了该算法识别准确率远远高于传统算法,并能够有效识别连笔数字。(2)使用了标注工具,制作了一个包含500张图片的印刷体文本手写数字检测数据集,并将其转换成VOC数据集格式。针对该检测任务分别训练了一阶段检测算法SSD,两阶段检测算法Faster-rcnn,通过对比两种算法速度与精度的差异,选择SSD算法来检测答题卡区域的手写数字。(3)通过K-means算法分析了数据集中目标大小与比例分布,优化了SSD算法参数,提高了模型泛化能力。并通过实验简化了模型结构,加快了检测速度。针对检测图片可能存在倾斜影响识别准确率的问题,利用最小二乘法完成倾斜图片的自动校正,提高了算法的鲁棒性。(4)利用训练好的CRNN识别模型与SSD检测模型,设计了一个试卷答题卡自动累分算法,并在PC端完成自动累分算法的调试。设计了一个可以在移动端调用该算法的APP,使得算法使用场景更加多元。