在社会发展的过程中,文字作为信息记录工具发挥了重要的作用,伴随着时代的发展,对信息的管理利用提出了更多的要求。大量的手写文档数据以文档图像的形式保存,但是单纯的对文档拍照保存是非常低效的管理模式,为了更方便的利用管理文档信息,需要建立文档图像的转录,索引和检索系统,而在这些系统中文本行分割仍然是最重要的初步任务之一。在文本行分割任务中,由于处理的图像数据为扫描所得,因而往往文本特征较差,其中文字字体各异、书写风格不一、尺寸不同且行间分布密集,在某些历史文献中同时伴有插画、污渍等因素的干扰。随着深度学习方法的发展,在图像处理的大部分领域都超越之前的传统图像处理方法,取得了突出的进步。借助神经网络强大的拟合能力,能够通过特殊的设计策略使得模型产生具有特定分布规律的映射关系,因此在这里本文提出了基于空间映射策略的文本行分割算法,并对比研究了不同的映射策略对整个算法的设计及性能造成的影响。本文的主要研究任务如下:首先,在空间映射这一基本方法之下,本文设计了两种基于不同映射策略的文本行分割算法。其中在高维空间映射策略中,借助度量学习的方式,本文通过将图像映射到能够区分相邻文本行的高维空间中实现文本行分割任务。而在低维空间映射策略中,本文通过方向向量场关联文本区域中各个位置与其相关的文本中心线,以此达到文本行分割目的。其次,本文针对两种不同的空间映射策略的文本行分割算法,分别提出了相应的算法改进策略,并通过消融实验的方式证明了改进策略的有效性。在基于高维空间映射策略的文本行分割算法中,本文设计了一种多中心的度量学习策略来改善模型学习到的高维空间分布,以此来提高算法的性能。而在基于低维空间映射策略的文本行分割算法中,本文设计了一种自校正过程用以改进模型预测的方向向量场的质量,进而提高整个算法的性能。最后,借助对比实验,本文在两个公开数据集上比较了现有的文本行分割算法与本文提出算法的性能差异。实验结果表明在文本行分割问题中,基于低维空间映射的策略的文本行分割算法性能要明显好于基于高维空间映射策略的文本行分割算法。即使与现有的文本行分割算法相比,本文提出算法同样取得了有竞争力的性能提升。