文字存在于人类生活过的各种不同的形式当中,文字对于整个社会的经济和科技的交流及其发展都有着非常重要的作用,同时文字也是目前人类生活当中无可替代的一个重要部分。面对这些比较复杂而且基数比较庞大的数据,如何通过构建不同的模型或者不同的算法从中提取所需要的有价值的信息,去除其中的大量垃圾信息,一直以来都是文字研究的一个重要难点问题。传统的汉字识别主要受限于特征提取,而深度学习中的卷积神经网络模型具有能够自动地从大量样本中提取特征的优势,因此本课题通过结合卷积神经网络模型及传统的模式识别的汉字识别应用进行了一定的研究,本论文的主要研究工作可以概括为以下几个方面:(1)对传统的汉字图像识别的方法进行了研究。采用支持向量机与决策树集合作为分类器,分别采用方形特征、基于Gabor的特征及弹性网格特征三种不同预处理下进行了对比实验。实验结果显示,形态学转换的数据集预处理的方法结合弹性网格特征,准确率较传统方法能够获取更好的识别效果。(2)研究了基于注意力机制的卷积神经网络模型。为了能够有效地解决形相似的汉字微小差异导致在训练过程中存在的丢失问题,将注意力层次与AlexNet的卷积层次进行有效结合,进一步地提高汉字图像中微小差异的权重,同时也进一步地减少了卷积层次对于丢失信息的影响。(3)在对汉字识别进行实验的过程中,进行了数据增强方面的研究,研究的结果展示通过合理地对数据进行增强扩展之后,能够有效地避免深度卷积神经网络过度拟合的问题。