随着互联网时代的到来,各种信息的数字化在人们的生活中随处可见。比如之前学生上课大多采用纸质书籍作为信息承载媒介,而近年来课件、PPT等电子授课工具越来越流行。甚至出于成本的考虑,电子化书籍也在学生中颇受欢迎。但是与此同时也带来了一系列的问题,比如电子化书籍中的PDF或者图片中的文字无法像文档一样直接编辑,为信息查找、修改或者统计录入带来了诸多不便。针对这些问题,本文提出了一个基于隐马尔可夫模型的文本识别纠错系统,其主要研究内容如下:基于投影轮廓融合的版面分析模型。本文的识别对象为文档图片中的文本区域,需要通过版面分析对图片、公式和表格等非文本区域进行分割。本文分别采用投影分析和轮廓检测的方法定位出非文本区域,其中投影方法是利用非文本区域的投影特征与字符相差较大,而轮廓方法是利用非文本区域的轮廓特征和字符的区别,最后将两者的结果融合分析得到最佳文本区域。实验结果表明融合方法可以较好地实现非文本区域的分割,为之后针对文本行图片的识别纠错做铺垫。基于深度学习的文本识别模型。传统的文本识别方法需要定位出每个字符的位置区域,然后再对其进行分类识别。这种方法的识别效果依赖于字符的分割效果,但是由于中文字符自身的特点,字符分割本身就是一个很难处理的问题。本文采用Dense Net+Bi LSTM+CTC的深度学习框架作为文本识别模型,其在识别过程中根据文本图像的特征自动完成了字符的分割识别,有效避免了人工进行字符分割这个环节。实验证明本文采用的深度学习模型有效完成了文本识别任务。基于隐马尔可夫的文本纠错模型。文本识别的结果并不能保证100%的正确率,需要通过文本纠错进一步提升其识别率。本文以OCR的识别结果为观测状态,以对应的正确字符为隐藏状态,将其建模成隐马尔可夫模型。将文本纠错问题转化为在给定的识别结果序列情况下求最可能的正确字符序列的问题,效果上将识别率提升为99.02%。综上所述,本文通过版面分析和文本识别初步提取出文档图片的字符,然后基于隐马尔可夫模型进一步纠正字符中的错误,完成了文档图片的信息提取。