随着计算机技术不断地更新,深度学习领域属于计算机科技发展的前沿,诞生出了许多分支方向,本文研究的图像旋转验证码属于其中之一。验证码从早期的英文验证码到中英文验证码,再到现在的语音验证码、图形验证码、行为验证码和手势验证码等不同的分支。验证码中包含了诸多的前沿技术,比如图像识别、目标检测等。由于传统的数字字母验证码偏离了轨道,比起计算机更难以让人类识别,现在多转向采用行为生物方向的验证码,有利于人类的识别和操作,并且有效抵挡恶意计算机程序。本文选择的研究内容是基于行为验证码基础上的图像旋转验证码。相比于其他图像验证码,图像旋转有非常明显的优点,即不在乎图像内容,只需要人将图像旋转扭正便可以通过人机验证,比起其他的带着各种复杂背景、噪音、线条的图形验证码,妨碍了人类的识别,却对机器的识别并无太大效果。这样适得其反的效果,在图像旋转验证码上并不存在。本文通过对当下主流的几类卷积神经网络进行研究,本文针对旋转图像验证码提出一个能够预测图像旋转验证码旋转角度的自监督学习网络模型,能够通过预测图片旋转角度来满足任意旋转角度要求。在此基础上,本文提出了一种旋转图像生成器,能够输出旋转角度作为训练标签。这样就可以通过据动态生成的数据,引导着卷积神经网络的学习,以预测图像旋转验证码的角度,而不用去爬虫获取任何网站的数据集。所以本文设计网络处理输入的带有伪标签的旋转图像,去预测旋转图像的旋转角度,然后可以根据网络预测的旋转角度,自动的旋转图像来校正图片方向的。本文研究工作如下:（1）本文提出了一种旋转图像生成器解决了旋转图像验证码识别任务的无数据集问题,能够自行处理输入图像,输出旋转角度作为训练标签,提高了输入的便捷性。可以根据向卷积神经网络输入动态生成的训练数据,通过图像处理技术生成带伪标签的旋转图像,学习预测图像的旋转角度,并且根据预测的角度,逆向旋转图像来校正图像方向。（2）针对预测图像图像验证码旋转角度的任务,指出了传统度量方法MAE不适用于本文研究问题的不足,在此基础上提出了角度误差度量指标,使用了训练损失和角度误差指标用于度量网络性能,并且使其适用于卷积神经网络。（3）以Xception的卷积层为基础卷积结构,对网络的输入输出等结构进行了改进,成功应用了训练损失和角度误差指标,实现了能预测图像旋转角度并自动校正的自监督学习模型。实验结果表明,本文提出的方法适用于预测旋转图像验证码的任务,在预测破解谷歌街景和百度旋转验证码任务上分别达到了96%和95%的准确率,验证了本文方法是有效的。