对文档图像的自动处理能大大减轻人的劳动。文档图像的文本行分割是字符识别、关键词检索等文档分析和识别系统的重要部分,是提升字符识别效果的关键,对文档的数字化存储来说意义非凡。对于无约束的手写文档图像,其文本行之间的交叠,文本字符大小不一、以及文本行不同的倾斜角度和不同程度的弯曲等,都给手写文档行的分割造成了困难,因此,无约束文档图像的文本行分割仍然是一个值得研究的问题。近年来,深度学习技术在图像分割等领域取得了令人瞩目的成就。基于卷积神经网络的图像分割方法犹如雨后春笋般大量涌现。针对手写文档图像的文本行分割,本文提出两种基于深度卷积神经网络的文本行分割方法,结合后处理操作,能够有效地处理文本行分割中存在的粘连、倾斜及字符大小不一等问题。本文主要工作如下:第一,提出一种基于语义分割的文本行提取方法,将文档图像分为文本主体区域和背景区域,主干网络采用经典的VGG16,通过增加批量归一化层及采用空洞卷积对其进行改进,用跳跃连接的方式结合浅层特征信息,构建了用于语义分割的全卷积网络,对卷积网络输出的概率图进行二值化,得到不同文本行的文本主体区域,结合提取的结果,依据最近邻原则对文本连通部件进行分组,采用基于二值图像游长编码的方式处理粘连字符,最终得到文本行分割结果。第二,提出一种基于实例分割的文本行提取方法,构建了基于ResNet50的DeepLab v3+网络,利用卷积网络将文档图像映射至一个高维空间,采用一种用于实例分割的判别损失函数,通过最小化判别损失使嵌入向量接近预想的分布,最后利用均值漂移算法,对文本像素点对应的向量进行聚类,得到文本行粗分割结果,利用基于细化并去除分叉点的后处理方法,使得分割结果更为精确。本文利用两种方法在公开手写数据集上进行了实验和评估,取得了良好的文本行分割效果,证明了本文方法的有效性。