票据是信息时代的产物,是经济贸易的佐证,是消费者购物维权的有力依据。随着数字时代的到来,高校和企业财务报销中票据的重要性愈发显现。票据带来便利的同事也给财务人员带来了压力,在高校财务部门各种票据均以纸质粘贴单的形式保存,海量的票据单使得税务人员录入查询时效率极为低下。随着大数据分析的蓬勃发展以及深度学习时代的来临,深度学习技术在图像处理方面的运用也变的行之有效,各种基于深度学习的模型算法日益强大,并且已经有一些互联网企业做了各式各样的票据识别算法接口的服务,比如,阿里、腾讯和百度云提供了增值税发票和火车票识别接口。由于发票的信息具有丰富的隐私信息,一旦被人利用将造成不可估量的损失,例如滴滴打车隐私泄露,不法分子利用海量的票据信息分析个人的上班时间、乘车偏好和家庭居住信息等,这对个人乃至整个国家的安全都有着潜在的威胁。尽管日前有了成熟的商业接口,但考虑到长期使用带来的大量费用和海量的隐私信息,所以本文初衷为:在本高校局域网内部开发票据识别系统,并部署在自己内网服务器,在整个过程中数据不会流入公共网络,既保证了信息的安全,又节省了开销,同时满足内部需求。为了释放向相关人员的压力,同时保护数据的隐私;因此,本文设计了一套完整的基于深度学习的票据内容识别技术方案。首先,对采集到的图像进行图像分类,完成高校财务处常见的各种报销票据单的分类。接着,以增值税发票为例再继续完成增值税票据的文本定位和文本识别;在文本检测阶段,使用改进的CTPN网络完成对增值税发票中细粒度文本的检测和定位。最后,文本识别阶段分析了目前主流的CRNN识别方法,实现文本识别任务。本文的研究内容和成果主要如下:（1）图像分类任务详细分析近些年来的主流图像分类网络,如VGG、Res Net和Rep VGG等网络,并以Rep VGG网络为基准,融入注意力机制,对重要的特征图通道进行权值加重,实现SE-Rep VGG模型的训练,从而完成对采集到的票据类别的分类任务。（2）基于深度学习的文本检测任务对分类完的图像先进行版面矫正、利用图像明显线条特征进行分割,再用适合长文本的CTPN模型进行文本检测。在票据细粒度的文本场景下,CTPN文本定位模型在文本过程中会发生断连、遗漏未检测文字的情形。根据上述问题,本文给出了一个基于CTPN细粒度文本测试算法,该算法对CTPN模型网络进行的改造,重新设定了垂直锚点尺度以满足较细粒度的文本的特性;重新调整了主干网的结构以适应水平锚点的尺度,同时运用了FPN的设计思想以使底层特性与顶层特征相互融合,提高了检测的准确率。（3）基于深度学习的文本识别任务传统的文本识别方式,通常采用选择人工设计的特性,然后再利用如SVM等机器学习分类器对切割出来的文本特征加以辨识,但这种方式通常要求先设定好每个单独模型的参数,由于工作条件复杂,或者面临更复杂的场合,往往无法设计出泛化特性良好的模型。本文在分析CRNN各个模块的原理,实现文本识别任务。评价指标主要由每张增值税发票的识别率和检测时间,实验结果表明了该套整体方法的可行性和优势。