从背景复杂的图形图像中提取想要的字符信息,一直都是计算机视觉领域的研究热点和难点。自然场景门牌号码往往存在图像模糊、光照不均匀、弱光照等问题,会产生严重的畸变,导致字符识别效果很不理想。为此,本文以真实场景中拍摄的门牌号码图像为研究对象,对卷积神经网络(CNN)和生成式对抗网络(GAN)进行了较深入的研究,主要研究工作如下:一、针对当前单数字门牌号码识别率不高且算法复杂的问题,基于卷积神经网络构建了一个单数字识别网络。首先,构建了一个包括输入层、两层卷积层、两层池化层、全连接层和输出层总共七层的单数字识别网络,利用卷积神经网络实现对图像特征的自动提取;其次,为突出重要特征,在方法设计中还用灰度化手段来弱化自然场景中的背景信息,并应用一定比例的Dropout策略以防过度拟合;最后,通过在SVHN数据集上进行验证,单数字门牌号码的识别率达到95.72%,并与其他文章的算法结果进行对比,本文方法优于现有文章中的大多数算法。二、针对字符分割工作量大且容易导致误差的问题,构建一个能同时识别多位数字的深度卷积神经网络。在单数字门牌号码识别网络的基础上,使用循环网络生成字符序列,并融合卷积神经网络构建了一个12层的深度卷积神经网络。在不分割字符的情况下,该深度卷积神经网络能同时识别多位数字,在SVHN数据集上进行验证,取得了较好的效果。三、针对本文门牌号码识别的仿真结果分析中因数据集图像模糊而导致识别错误的问题,本文利用深度卷积生成式对抗网络生成新的高分辨率样本,在数据集训练过程中提取更加丰富的数据特征,提高识别模糊门牌号码的效果。四、基于以上研究,设计了一款用于门牌号码识别的APP软件,软件界面简单友好,主要有选择照片和图像识别两个功能,能够从相册中选择需要的门牌号码图片进行识别。