甲骨文是中国乃至东亚至今已知的最早成熟文字体系,甲骨文研究不仅对了解中国汉字起源很重要,对中国乃至全世界历史的探究及文化的传承也有重要意义。甲骨文字符检测识别一直是甲骨文研究中重要的研究内容,任务是从甲骨拓片中找到甲骨字符并确认其字符类,这是字形破译的前提。目前,这些工作都需要甲骨学专家们人工完成,效率低下,且耗费昂贵的专家资源。因此研究甲骨文字符的自动检测识别很有价值。现在,甲骨文检测领域尚是空白,而甲骨文字符识别依赖专家的特征工程,设计的系统步骤繁复。鉴于深度学习在计算机视觉领域的成功,在甲骨文检测领域,本文首先构建了首个甲骨文检测数据集OBCD(Oracle Bone Character Detection),为深度学习应用于甲骨字符检测工作提供基准数据库。接着,论文结合基于区域的全卷积网络(Region-based Fully Convolutional Network)和特征金字塔网络(Feature Pyramid Network),设计并搭建了基础的甲骨字符识别算法框架。进一步,针对复合字符难检测且标注良好的训练数据规模太小的问题,提出了基于字模数据的动态增广算法,在增加整体数据规模的基础上针对性地增加难检字的训练数据,强化检测模型对难检字的关注。针对类似字符的甲骨划痕易误检的问题,本文提出甲骨文字符识别辅助检测算法,过滤错误预测结果。实验证明,本文提出的动态增广算法令检测模型能更鲁棒地预测难检字,而辅以识别模型的检测算法可以召回原本置信度低的正确预测,并过滤错误预测,最终F-measure指标达到83.79%。在甲骨文识别领域,论文首先构建了一个类别数达306,示例数达309551的甲骨文单字符识别数据集OBC306,这是至今数据规模最大的甲骨文字符识别数据集,为利用深度学习解决甲骨字形识别提供了丰富的数据。接着论文建立了基于Inception-v4深度卷积网络的字符识别算法框架,并针对字符类样本分布不均衡问题,提出基于循环式生成对抗网络的字符增广算法,用以合成更加多样化的甲骨字符图像,平衡类样本分布,解决长尾效应对甲骨字符识别性能的影响。实验证明,本文提出的方法在数据库OBC306上取得86.54%的平均识别精度。