中文文字识别指将图片中的汉字信息识别出来。文字识别通过提取图片文字信息特征来预测图片中文字的真实序列,是计算机视觉领域研究热点之一,具有广泛的应用场景。本文基于深度学习方法,研究文字识别深度模型算法。目前经典的卷积循环神经网络(Convolutional Recurrent Neural Network,CRNN)模型在文字识别领域准确率达到很高,但受文字尺寸不同、图像分辨率低,易混淆形近字等因素影响,准确率仍有待提升。本文结合Inception网络结构和注意力机制思想,对CRNN模型进行了改进设计,本文的主要研究工作如下:(1)设计基于Inception网络文字识别算法。研究分析Inception网络原理、结构和性能,设计实验与常见的几种深度网络CNN、VGG和Resnet进行对比,证明了Inception网络结构的有效性。本文设计的基于Inception网络文字识别模型,特征提取层加入Inception网络模块,Inception网络模块多滤波器支路能够学习不同尺度局部区域特征,针对网络同层的特征使用多核卷积,增强了特征提取的能力。经过实验对比分析,在ICDAR17数据集、ICDAR19数据集和自建数据集上,新文字识别模型比基准模型文本行准确率平均提高5.97%。(2)设计基于注意力机制的文字识别算法。针对CRNN模型中BLSTM循环层的性能问题,设计一种注意力机制和LSTM组合结构代替基准模型中双层BLSTM网络结构,增强了循环层辅助推断识别能力。注意力机制计算不同特征贡献度生成权重概率分布,循环单元根据权重值对网络序列进行融合重组,输出的预测序列更接近真实标签。经过实验对比分析,在ICDAR17数据集、ICDAR19数据集和自建数据集上,新文字识别模型相对基准模型在文本行准确率、最大公共子串准确率和编辑距离准确率三种评价标准下平均提高5.11%、6.76%和10.09%。(3)搭建小型文字区域检测与识别系统。本文采用EAST文字区域检测模型和本文设计的新文字识别模型,结合图像预处理、数据采集相关技术,搭建了文字区域检测和识别的系统。