人工智能技术应用于教育行业已成为一种趋势,智能教育的深度发展离不开OCR识别技术。文档图像的版面分割作为OCR识别系统中必不可少的预处理环节被广泛地应用于文档数字化、学生作业批阅等场景,因此版面分割技术的研究具有重要的意义和实用价值。然而适用于所有版面的版面分割算法是不存在的,每个领域的版面都有自己的特征。所以,本文以数学试卷为研究对象,旨在提出一个稳定可行的数学试卷版面分割方法。主要研究内容如下:对于数学试卷复杂的版面结构,本文提出一种把文档组件自底向上聚类与最大空白矩形和关键信息识别的自顶向下分割相结合的混合策略版面分割算法。首先,使用Faster R--CNN检测文档图像中的文档组件(文本行、题目配图、选题括号),同时将除题目配图之外的文档组件聚类为完整文本行,再继续聚类题目配图和文本行以获取排版栏区域;然后,在排版栏内使用最大空白矩形算法检测分隔线,并根据分隔线的Y轴关系分割出更加精准的排版栏区域;接着,对每个排版栏内的文本行从上至下依次标记属性,并根据文本行属性分割出题目文字区域。最后,依据题目配图与题目文字区域的位置关系将每个配图匹配到相应的题目文字区域中。对于混合数学公式的中英文复杂文本图像难识别的现状,本文提出一种基于结构公式分析的细粒度版面分割算法。首先,使用改进的Faster R--CNN分割细粒度版面中的数学公式结构部分;然后,标记余下区域内每个字符的类别(中文字符、非中文字符);最后,以公式结构部分为中心向两侧扩展非中文字符以分割完整数学公式,分割出的两部分区域由两个独立的识别引擎进行识别。基于上述方法设计和实现了一个文档图像分割系统,系统最后在100张数学试卷的测试数据上进行了详细的实验,结果表明本文所提出的粗粒度版面分割方法和细粒度版面分割方法能准确高效地从数学试卷中分割题目区域与结构公式区域,为以后的进一步研究奠定了坚实的基础。