在过去几年里,很多基于深度学习的图像理解方法都得到了快速发展,特别是在字符识别领域。但是基于深度学习的字符识别方法不仅面临着训练所需数据量大、参数多、计算资源消耗大等问题,而且其泛化能力较弱。概念学习是一种类人的学习方法,模仿人类在极少样本和先验知识条件下进行高效的学习,从而具有较强的泛化能力。与常有的深度学习模型不同,概念学习方法在一定先验知识基础上只需一个训练样本即可实现概念模型的建立。针对深度学习方法存在的不足,我们以中文手写字符和工业字符图像为实验对象,在进行字符合理分割和字符笔画表示的基础上,利用概念学习方法建立字符概念模型,进一步实现字符图像理解。本文主要完成工作如下:1.手写汉字可能由于连笔的书写习惯,而工业环境中的字符图像可能打印在形状复杂和不均匀的各种材料的表面,从而导致残缺和接触字符出现。针对接触字符特点,根据粒子群优化(PSO)和支持向量机(SVM)的三特征模糊分割策略,对接触字符进行合理分割。2.由于概念学习方法需要将整体拆分成不同的部件,故需要对字符图像进行合理的拆分和表示。在字符笔画拆分和提取的过程中,由于容易产生冗余的特征点导致笔画拆分失败。本文提出了基于笔画宽度的去除冗余特征点方法以及基于距离直方图方法实现对畸变骨架的矫正,从而实现字符笔画的合理提取。另外由于概念学习是基于统计学习方法,需要将笔画由不同的参数表示,并统计出不用参数服从的概率分布。3.根据笔画表示、笔画先后顺序以及笔画之间的连接关系建立单个字符概念模型。在已建立概念模型的基础上,采用蒙特卡罗马尔可夫链采样方法,对采样得到的样本进行相关参数变化生成拟合模型。通过计算拟合模型概率值来判断目标样本的种类。最后利用朴素贝叶斯决策可以有效地辨别出极其相似的字符。4.为了验证本文提出方法的适用性,不仅对自己在工业场景中收集到的工业图像数据库进行评估,包括对接触、残缺和相似字符数据集进行实验并取得不错的识别准确率。也在公共数据集ICDAR 2013和NIST SD 19上表现出不错性能。