序列号,是指纸币上的一串由英文和阿拉伯数字组合的字符序列。每张纸币都有一个唯一的序列号,是纸币的特殊身份标识。因此,实现对纸币序列号的精准识别,在防伪、追踪被盗纸币、提高金融市场稳定性等方面起着至关重要的作用。随着金融经济的快速发展,对纸币识别系统的序列号识别能力的要求也不断提高。然而,现有的纸币序列号识别方法普遍存在着识别准确性差、易受外部环境的制约、对纸币污损残缺的适应能力差等不足。其主要原因是这些方法大多数基于字符分割与字符识别的框架,但由于复杂背景和纹理信息的影响,字符分割的效果难以保证,从而限制识别的精度。本文通过考虑序列号本质是一个文本序列,将字符识别转换为序列识别的问题,从而避免了繁琐的字符分割等中间过程,并提出了一种基于卷积循环神经网络的序列号识别方法,其主要内容如下:首先,对采集到的图像进行图像灰度化、图像滤波去噪、图像二值化等预处理操作。并通过水平、垂直投影来定位纸币的精确位置,进而获得完整的纸币图像,为后续的处理奠定基础。其次,针对现有序列号区域定位法存在的不足,本文提出了一种基于空间变换器网络（Spatial Transformer Network,STN）的序列号区域定位法,其能自动地校正倾斜的、松散边界的序列号图像去进一步定位序列号区域,从而减少无关背景的影响,有利于后续的识别。最后,本文提出了卷积循环神经网络对校正后的序列号图像进行端对端地识别,而不需要再进行字符分割等中间过程。所提出的模型整合了卷积神经网络的空间特征提取能力和循环神经网络的探索语义信息能力,提高了模型的特征学习能力,增强了鲁棒性。实验结果表明,本文提出的模型可以对纸币序列号进行有效且准确的识别。与现有的方法相比,该模型能更好地解决纸币污迹、磨损和复杂纹理信息等因素的影响,以及相似字符区分的问题,取得更高的识别准确率。