在文本区域检测过程中,多次的卷积和下采样会使得原始图像中小文本区域在后续特征图中持续变小,甚至丢失,从而导致小文本区域检测的精度较低。另一方面,为了实现对单个字符的检测,在训练集制作时,需要对每个字符进行标注,这导致训练集的制作非常繁琐,特别当票据类数据图像中存在大量字符时,对每一个字符进行标注,使得训练集制作成本非常高。在文字识别过程中,典型的基于深度神经网络的OCR模型以自然场景中的文字识别为研究对象,由于自然场景中的文字形态各异、角度多样,为了获得好的识别精度,识别模型复杂,参数量大,从而导致模型训练困难、识别速度慢等问题。基于此,本文针对上述3个问题开展研究工作:（1）为了解决文本检测模型对较小文本区域易漏检的问题,本文提出了基于字符的文本检测模型LW-Char Net（Light Wave Character Network）。LW-Char Net模型优化了CRAFT（Character Region Awareness For Text detection）模型的网络结构,将未经下采样的特征图与下采样一次和多次的特征图相融合,并增加上采样的层数,从而使得小区域文本特征更加明显,提高了对小区域文本的识别精度。将LW-Char Net模型与CRAFT等5个文本检测基线模型进行了对比,通过对比精度、召回率以及Hmean值,验证了LW-Char Net的有效性。（2）为了解决基于字符的文本检测模型标注成本高的问题,本文给出了对应LW-Char Net的数据标注解决方法。该方法基于迁移学习的思想,采用已有的字符级标注数据集来训练LW-Char Net模型,再利用收敛后的模型来检测票据文本的字符区域,获得字符区域的预标注结果,最后,结合人工来修正预标注结果,从而极大降低了标注成本。（3）针对文本识别模型相对于票据文本识别过于复杂,导致模型训练难度大以及识别速度慢的问题,本文提出了文本识别模型CBF-Net（Convolutional Bidrectional-LSTM Fully-connected Network）。CBF-Net简化了CRNN（Conv olutional Recurrent Neural Network）模型的网络结构。CBF-Net由单层的Bidrec tional-LSTM（Bidrectional Long Short Term Memory Network）以及全连接组成的RNN（Recurrent Neural Network）模块构成,模型参数较之原模型有所减少,从而有助于简化模型训练,提高识别速度。通过实验与CRNN、CNN（Convolutional Neural Network）两个基线模型进行了准确率和识别速度方面的对比,最终发现CBF-Net在票据数据集的识别方面有着较高的准确率,同时有着较快的识别速度。