作文智能批改的需求与日俱增,然而目前针对不规范书写的中文手写作文识别任务尚未有一套完善的解决方案。篇幅级识别任务大多是针对于英文数据集,还没有已经开源的中文作文数据集。因此研究复杂场景下的中文手写作文图像识别方法具有重要意义。首先为了快速收集大量数据,本文开发了一个半自动化的人机协作作文标注系统。利用百度开源的sdk,为用户提供了两种人机协作的标注模式,能自动帮助用户切分行、生成标签;系统支持多层级框的标注,在保存时自动生成标注框嵌套关系,还介绍了系统生成的标注文件的格式。接下来探索作文识别方法,为了简化任务假定原始图片已经完成栏框切分,研究基于全卷积结构的端到端单栏图像篇幅级识别方法。针对2d序列转化为1d的问题,提出了两种基于reshape操作的降维方案,并在此基础上将reshape降维方法扩展到单栏图像篇幅级识别任务上;通过分析时间片映射到原图上的感受野,对卷积层进行调整;在复杂场景的中文手写作文数据集上,采用并行多分支卷积结构替换普通卷积提取多尺度特征;最后为了解决作文倾斜角所造成的解码乱序情况,提出了两种解决方案:1.在特征图中插入空间变换模块的方案,能让网络自动学习倾角;2.提出一种Order Align策略,充分利用序列的位置特征,对解码结果进行优化。在复杂场景图片上,结合两种优化方法可以使CER可以达到0.0583;最后对端到端方法和两阶段方法进行比较,实验结果均证明了所提出方法的有效性。最后,将问题延展到原始的多栏图像的识别,本文结合了一些页面上栏框检测的技术,根据单栏篇幅级识别方法以并发方式进行模型推理,构建了一个完整的中文手写作文识别系统。