近年来,深度学习发展迅速,在语音、图像及自然语言处理等领域都有较大突破,已引起国内外研究机构和知名高科技公司及大关注。在银行卡图像字符识别方面,目前常规做法是在对银行卡号图像进行字符区域定位和预处理后进行字符识别,模型复杂,端到端的识别难度大,对于一些复杂背景、凹凸反亮光、遮挡等情况的图片数字识别效率很难达到实际需求水平。因此,应用深度学习模型进行银行卡号图像字符识别,实现识别精度和效率的提升,具有较好的现实意义与价值。本文的主要工作是在进行基于深度学习的银行卡号图像识别模型的构建研究,以实现特殊环境下银行卡号图像的数字字符高精度定位和识别目标。论文具体内容如下:（1）基于EAST文本检测算法的改进优化,提升定位精度。本文首先将自然场景下文本检测任务中效果较好的模型创新性地应用到银行卡号图像的定位任务上,证明该网络的可行性,EAST模型适合有规则的区域定位任务,它通过特征融合的方法进行原始图像的特征提取,在残差网络中间特征映射层加入特征融合模块,接着将合适尺寸的上采样层和下采样层进行特征映射和融合,最后输出定位结果。具体的,本文调整了合适的参数,同时改进Loss函数进行模型训练,最后的实验结果能够证明改进的模型比原模型效果更好。（2）基于ASTER网络识别方法的改进优化,提升目标识别效率。目前较多的银行卡号识别模型需要首先进行图像的预处理,本文改进的识别模型使得不需要进行繁琐的预处理操作就能进行准确快速的识别,该模型采用CNN+RNN进行特征提取,接着应用CTC模块和attention注意力机制进行解码和输出识别结果,改进的模型比原来的模型更简单,与目前现有的银行卡号图像识别模型相比,本文的识别精度也有一定的优势。